ABOUT THE SPEAKER
Riccardo Sabatini - Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions.

Why you should listen

Data scientist Riccardo Sabatini harnesses numerical methods for a surprising variety of fields, from material science research to the study of food commodities (as a past director of the EU research project FoodCAST). His most recent research centers on computational genomics and how to crack the code of life.

In addition to his data research, Sabatini is deeply involved in education for entrepreneurs. He is the founder and co-director of the Quantum ESPRESSO Foundation, an advisor in several data-driven startups, and funder of The HUB Trieste, a social impact accelerator.

More profile about the speaker
Riccardo Sabatini | Speaker | TED.com
TED2016

Riccardo Sabatini: How to read the genome and build a human being

Riccardo Sabatini: Jak odczytać genom i zbudować człowieka

Filmed:
1,834,677 views

Tajemnice, choroby i piękno są wpisane w ludzki genom, stanowiący kompletny zestaw instrukcji potrzebnych do zbudowania istoty ludzkiej. Jak twierdzi naukowiec i przedsiębiorca Riccardo Sabatini, mamy moc odczytania tego skomplikowanego kodu i przewidywania cech takich jak wzrost, kolor oczu, wiek, a nawet wygląd twarzy - wszystko z jednej fiolki krwi. Sabatini mówi, że już niedługo nasze nowe zrozumienie genomu pozwoli nam spersonalizować leczenie chorób takich jak rak. Dzięki tej wiedzy mamy moc zmiany ludzkiego życia. Jak jej użyjemy?
- Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions. Full bio

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

00:12
For the nextNastępny 16 minutesminuty,
I'm going to take you on a journeypodróż
0
612
2762
Przez najbliższe 16 minut
zabiorę was w podróż,
00:15
that is probablyprawdopodobnie
the biggestnajwiększy dreamśnić of humanityludzkość:
1
3398
3086
która jest prawdopodobnie
największym marzeniem ludzkości:
00:18
to understandzrozumieć the codekod of life.
2
6508
2015
zrozumieć kod życia.
00:21
So for me, everything startedRozpoczęty
manywiele, manywiele yearslat agotemu
3
9072
2743
Dla mnie wszystko zaczęło się
wiele lat temu,
00:23
when I metspotkał the first 3D printerdrukarka.
4
11839
2723
kiedy po raz pierwszy
zobaczyłem drukarkę 3D.
00:26
The conceptpojęcie was fascinatingfascynujący.
5
14586
1674
Pomysł był fascynujący.
00:28
A 3D printerdrukarka needswymagania threetrzy elementselementy:
6
16284
2022
Drukarka 3D wymaga trzech rzeczy:
00:30
a bitkawałek of informationInformacja, some
rawsurowy materialmateriał, some energyenergia,
7
18330
4134
odrobinę danych,
szczyptę surowca, trochę energii
00:34
and it can produceprodukować any objectobiekt
that was not there before.
8
22488
3334
i może stworzyć dowolny
dotąd nieistniejący obiekt.
Studiowałem fizykę.
00:38
I was doing physicsfizyka,
I was comingprzyjście back home
9
26517
2137
Wracałem do domu i pojąłem,
00:40
and I realizedrealizowany that I actuallytak właściwie
always knewwiedziałem a 3D printerdrukarka.
10
28678
3438
że zawsze znałem
drukarkę 3D. Każdy ją zna.
00:44
And everyonekażdy does.
11
32140
1336
Była nią moja mama.
00:45
It was my mommama.
12
33500
1158
(Śmiech)
00:46
(LaughterŚmiech)
13
34682
1001
Moja mama wzięła 3 rzeczy:
00:47
My mommama takes threetrzy elementselementy:
14
35707
2414
nieco informacji, w zasadzie należało to
do obojga moich rodziców,
00:50
a bitkawałek of informationInformacja, whichktóry is betweenpomiędzy
my fatherojciec and my mommama in this casewalizka,
15
38145
3973
00:54
rawsurowy elementselementy and energyenergia
in the samepodobnie mediagłoska bezdźwięczna, that is foodjedzenie,
16
42142
4157
surowce i energię z tego samego
źródła, czyli jedzenia.
Po paru miesiącach wyprodukowała mnie.
00:58
and after severalkilka monthsmiesiące, producesprodukuje me.
17
46323
2508
Wcześniej nie istniałem.
01:00
And I was not existentIstnieje before.
18
48855
1812
Mama doznała szoku na wieść,
że jest drukarką 3D,
01:02
So apartniezależnie from the shockzaszokować of my mommama
discoveringodkrywanie that she was a 3D printerdrukarka,
19
50691
3762
a mnie zafascynował
pierwszy składnik - informacja.
01:06
I immediatelynatychmiast got mesmerizedzahipnotyzowany
by that piecekawałek,
20
54477
4738
01:11
the first one, the informationInformacja.
21
59239
1717
01:12
What amountilość of informationInformacja does it take
22
60980
2251
Ile informacji trzeba,
by skonstruować człowieka?
01:15
to buildbudować and assemblegromadzić a humanczłowiek?
23
63255
1936
Dużo? Mało?
01:17
Is it much? Is it little?
24
65215
1574
01:18
How manywiele thumbkciuk drivesdyski can you fillwypełniać?
25
66813
2180
Ile pamięci USB trzeba zapełnić?
Na początku studiowałem fizykę
01:21
Well, I was studyingstudiować physicsfizyka
at the beginningpoczątek
26
69017
2624
01:23
and I tookwziął this approximationzbliżenia of a humanczłowiek
as a giganticgigantyczne LegoLEGO piecekawałek.
27
71665
5597
i za namiastkę człowieka
wziąłem ogromny zestaw LEGO.
01:29
So, imaginewyobrażać sobie that the buildingbudynek
blocksBloki are little atomsatomy
28
77286
3785
Wyobraźcie sobie, że klocki to małe atomy
01:33
and there is a hydrogenwodór here,
a carbonwęgiel here, a nitrogenazot here.
29
81095
4653
i gdzieniegdzie jest wodór,
gdzie indziej węgiel, gdzieś azot.
W tym przybliżeniu, gdybym miał
listę atomów do stworzenia człowieka,
01:37
So in the first approximationzbliżenia,
30
85772
1571
01:39
if I can listlista the numbernumer of atomsatomy
that composekomponować a humanczłowiek beingistota,
31
87367
4343
mógłbym go zbudować.
01:43
I can buildbudować it.
32
91734
1387
01:45
Now, you can runbiegać some numbersliczby
33
93145
2029
Możecie to przekalkulować i okazuje się,
że to zdumiewająca liczba.
01:47
and that happensdzieje się to be
quitecałkiem an astonishingzadziwiający numbernumer.
34
95198
3277
Liczba atomów,
01:50
So the numbernumer of atomsatomy,
35
98499
2757
plik, który zapisałbym na pamięci USB,
aby zbudować dziecko,
01:53
the fileplik that I will savezapisać in my thumbkciuk
drivenapęd to assemblegromadzić a little babydziecko,
36
101280
4755
wypełniłby pamięciami USB całego Titanica
01:58
will actuallytak właściwie fillwypełniać an entireCały TitanicTitanic
of thumbkciuk drivesdyski --
37
106059
4667
pomnożonego 2000 razy.
02:02
multipliedpomnożone 2,000 timesczasy.
38
110750
2718
02:05
This is the miraclecud of life.
39
113957
3401
To cud życia.
Odtąd kiedy zobaczycie
ciężarną kobietę, pamiętajcie,
02:09
EveryKażdy time you see from now on
a pregnantw ciąży ladydama,
40
117382
2612
02:12
she's assemblingzłożenie the biggestnajwiększy
amountilość of informationInformacja
41
120018
2856
że montuje największą ilość danych,
jaką kiedykolwiek napotkacie.
02:14
that you will ever encounterspotkanie.
42
122898
1556
02:16
ForgetZapomnij o bigduży datadane, forgetzapomnieć
anything you heardsłyszał of.
43
124478
2950
Zapomnijcie o Big Data,
o wszystkim, co słyszeliście.
To jest największy zbiór
informacji, jaki istnieje.
02:19
This is the biggestnajwiększy amountilość
of informationInformacja that existsistnieje.
44
127452
2881
02:22
(ApplauseAplauz)
45
130357
3833
(Brawa)
Ale natura na szczęście jest
o wiele mądrzejsza od młodego fizyka
02:26
But natureNatura, fortunatelyna szczęście, is much smartermądrzejszy
than a youngmłody physicistfizyk,
46
134214
4644
i przez 4 miliardy lat dała radę
zmieścić te informacje
02:30
and in fourcztery billionmiliard yearslat, managedzarządzane
to packpakiet this informationInformacja
47
138882
3576
w małym krysztale, który nazywamy DNA.
02:34
in a smallmały crystalkryształ we call DNADNA.
48
142482
2705
Poznaliśmy go w 1950 roku,
kiedy Rosalind Franklin,
02:37
We metspotkał it for the first time in 1950
when RosalindRosalind FranklinFranklin,
49
145605
4312
02:41
an amazingniesamowity scientistnaukowiec, a womankobieta,
50
149941
1556
wspaniały naukowiec, kobieta,
02:43
tookwziął a pictureobrazek of it.
51
151521
1389
zrobiła mu zdjęcie.
02:44
But it tookwziął us more than 40 yearslat
to finallywreszcie pokePoke insidewewnątrz a humanczłowiek cellkomórka,
52
152934
5188
Zajęło nam to jednak ponad 40 lat,
nim wreszcie zajrzeliśmy wewnątrz komórki,
wyjęliśmy ten kryształ,
02:50
take out this crystalkryształ,
53
158146
1602
rozwinęliśmy go
i odczytaliśmy po raz pierwszy.
02:51
unrollrozwinąć it, and readczytać it for the first time.
54
159772
3080
02:55
The codekod comespochodzi out to be
a fairlydość simpleprosty alphabetalfabet,
55
163615
3241
Kod okazał się być dość prostym alfabetem,
cztery litery: A, T, C i G.
02:58
fourcztery letterslisty: A, T, C and G.
56
166880
3772
Żeby zbudować człowieka,
potrzebujecie trzech miliardów liter.
03:02
And to buildbudować a humanczłowiek,
you need threetrzy billionmiliard of them.
57
170676
3490
03:06
ThreeTrzy billionmiliard.
58
174933
1179
Trzech miliardów.
03:08
How manywiele are threetrzy billionmiliard?
59
176136
1579
Ile to trzy miliardy?
03:09
It doesn't really make
any sensesens as a numbernumer, right?
60
177739
2762
Taka liczba nawet nie ma sensu, prawda?
Myślałem, jak lepiej wyjaśnić
ogrom tego kodu.
03:12
So I was thinkingmyślący how
I could explainwyjaśniać myselfsiebie better
61
180525
4085
03:16
about how bigduży and enormousogromny this codekod is.
62
184634
3050
Potrzebuję teraz pomocy,
03:19
But there is -- I mean,
I'm going to have some help,
63
187708
3054
a najlepszą osobą,
która pomoże mi przedstawić wam kod,
03:22
and the bestNajlepiej personosoba to help me
introduceprzedstawiać the codekod
64
190786
3227
jest pierwszy człowiek,
który go sekwencjonował, dr Craig Venter.
03:26
is actuallytak właściwie the first man
to sequencesekwencja it, DrDr. CraigCraig VenterVenter.
65
194037
3522
Witamy na scenie, doktorze Venter.
03:29
So welcomeWitamy onstagena scenie, DrDr. CraigCraig VenterVenter.
66
197583
3390
(Brawa)
03:32
(ApplauseAplauz)
67
200997
6931
03:39
Not the man in the fleshciało,
68
207952
2256
Nie człowiek z krwi i kości,
ale po raz pierwszy w historii:
03:43
but for the first time in historyhistoria,
69
211448
2345
03:45
this is the genomegenom of a specifickonkretny humanczłowiek,
70
213817
3462
oto genom konkretnego człowieka,
wydrukowany strona po stronie,
litera po literze,
03:49
printedwydrukowane page-by-pageStrona po stronie, letter-by-letterlitera po literze:
71
217303
3760
262 tysiące stron informacji,
03:53
262,000 pagesstrony of informationInformacja,
72
221087
3996
03:57
450 kilogramskilogramy, shippeddostarczane
from the UnitedStany Zjednoczone StatesPaństwa to CanadaKanada
73
225107
4364
450 kg wysłanych z USA do Kanady
04:01
thanksdzięki to BrunoBruno BowdenBowden,
LuluLulu.comcom, a start-uprozpoczęcie działalności, did everything.
74
229495
4843
dzięki Bruno Bowdenowi, Lulu.com,
inicjatorowi, oni zrobili wszystko.
04:06
It was an amazingniesamowity featwyczyn.
75
234362
1463
To była niezwykła współpraca.
04:07
But this is the visualwizualny perceptionpostrzeganie
of what is the codekod of life.
76
235849
4297
Można naocznie się przekonać,
czym jest kod życia.
04:12
And now, for the first time,
I can do something funzabawa.
77
240170
2478
Teraz, po raz pierwszy,
mogę zrobić coś fajnego.
04:14
I can actuallytak właściwie pokePoke insidewewnątrz it and readczytać.
78
242672
2547
Mogę zajrzeć do środka i czytać.
Pozwólcie, że wybiorę
ciekawą książkę... jak ta.
04:17
So let me take an interestingciekawy
bookksiążka ... like this one.
79
245243
4625
04:25
I have an annotationadnotacji;
it's a fairlydość bigduży bookksiążka.
80
253077
2534
Mam zakładkę, to dość gruba książka.
04:27
So just to let you see
what is the codekod of life.
81
255635
3727
Żebyście zobaczyli, czym jest kod życia.
04:32
ThousandsTysiące and thousandstysiące and thousandstysiące
82
260566
3391
Tysiące, tysiące, tysiące,
miliony liter.
04:35
and millionsmiliony of letterslisty.
83
263981
2670
04:38
And they apparentlywidocznie make sensesens.
84
266675
2396
I najwyraźniej mają sens.
Przejdźmy do konkretnego fragmentu.
04:41
Let's get to a specifickonkretny partczęść.
85
269095
1757
04:43
Let me readczytać it to you:
86
271571
1362
Przeczytam wam:
04:44
(LaughterŚmiech)
87
272957
1021
(Śmiech)
04:46
"AAGAAG, AATAAT, ATAATA."
88
274002
4006
"AAG, AAT, ATA".
Dla was to nieskładne litery,
04:50
To you it soundsDźwięki like muteWycisz letterslisty,
89
278965
2067
ale ta sekwencja daje Craigowi kolor oczu.
04:53
but this sequencesekwencja givesdaje
the colorkolor of the eyesoczy to CraigCraig.
90
281056
4041
Pokażę wam inną część książki.
04:57
I'll showpokazać you anotherinne partczęść of the bookksiążka.
91
285633
1932
To odrobinę bardziej skomplikowane.
04:59
This is actuallytak właściwie a little
more complicatedskomplikowane.
92
287589
2094
05:02
ChromosomeChromosom 14, bookksiążka 132:
93
290983
2647
Chromosom 14, księga 132.
(Śmiech)
05:05
(LaughterŚmiech)
94
293654
2090
05:07
As you mightmoc expectoczekiwać.
95
295768
1277
Jak mogliście się spodziewać.
05:09
(LaughterŚmiech)
96
297069
3466
(Śmiech)
05:14
"ATTATT, CTTCTT, GATTGATT."
97
302857
4507
"ATT, CTT, GATT".
05:20
This humanczłowiek is luckySzczęściarz,
98
308329
1687
Ten człowiek ma szczęście,
05:22
because if you misstęsknić just
two letterslisty in this positionpozycja --
99
310040
4517
bo jeśli zabraknie zaledwie
dwóch liter w tej pozycji,
dwóch liter z trzech miliardów,
05:26
two letterslisty of our threetrzy billionmiliard --
100
314581
1877
będzie skazany na straszną chorobę:
05:28
he will be condemnedskazany
to a terriblestraszny diseasechoroba:
101
316482
2019
05:30
cystictorbielowate fibrosisZwłóknienie wątroby.
102
318525
1440
mukowiscydozę.
05:31
We have no curelekarstwo for it,
we don't know how to solverozwiązać it,
103
319989
3413
Nie mamy na nią lekarstwa,
nie wiemy, jak jej zaradzić,
a to zaledwie dwie litery
odstępstwa od normy.
05:35
and it's just two letterslisty
of differenceróżnica from what we are.
104
323426
3755
05:39
A wonderfulwspaniale bookksiążka, a mightyMighty bookksiążka,
105
327585
2705
Wspaniała książka, potężna,
potężna książka,
która pomogła mi zrozumieć
05:43
a mightyMighty bookksiążka that helpedpomógł me understandzrozumieć
106
331115
1998
05:45
and showpokazać you something quitecałkiem remarkableznakomity.
107
333137
2753
i zademonstrować coś niezwykłego.
Każdy z was, to co sprawia,
że wy to wy, a ja to ja,
05:48
EveryKażdy one of you -- what makesczyni
me, me and you, you --
108
336480
4435
to zaledwie około 5 milionów liter,
05:52
is just about fivepięć millionmilion of these,
109
340939
2954
pół książki.
05:55
halfpół a bookksiążka.
110
343917
1228
W całej reszcie
05:58
For the restodpoczynek,
111
346015
1663
05:59
we are all absolutelyabsolutnie identicalidentyczny.
112
347702
2562
jesteśmy całkowicie identyczni.
500 stron to cud życia,
którym jesteście.
06:03
FivePięć hundredsto pagesstrony
is the miraclecud of life that you are.
113
351008
4018
Całą resztę mamy wspólną.
06:07
The restodpoczynek, we all sharedzielić it.
114
355050
2531
06:09
So think about that again
when we think that we are differentróżne.
115
357605
2909
Wydaje nam się, że jesteśmy różni,
a tu aż tyle mamy wspólnego.
06:12
This is the amountilość that we sharedzielić.
116
360538
2221
06:15
So now that I have your attentionUwaga,
117
363441
3429
Skoro zwróciłem już waszą uwagę,
następne pytanie brzmi:
06:18
the nextNastępny questionpytanie is:
118
366894
1359
jak to czytać?
06:20
How do I readczytać it?
119
368277
1151
Jak znaleźć w tym sens?
06:21
How do I make sensesens out of it?
120
369452
1509
Jakkolwiek możecie być dobrzy
w składaniu szwedzkich mebli,
06:23
Well, for howeverjednak good you can be
at assemblingzłożenie SwedishSzwedzki furnituremeble,
121
371409
4240
tej instrukcji nie rozgryziecie
przez całe życie.
06:27
this instructioninstrukcja manualpodręcznik
is nothing you can crackpęknięcie in your life.
122
375673
3563
06:31
(LaughterŚmiech)
123
379260
1603
(Śmiech)
W roku 2014 dwóch znanych entuzjastów TED,
06:32
And so, in 2014, two famoussławny TEDstersTed,
124
380887
3112
06:36
PeterPeter DiamandisDiamandis and CraigCraig VenterVenter himselfsamego siebie,
125
384023
2540
Peter Diamandis i sam Craig Venter,
postanowili stworzyć firmę.
06:38
decidedzdecydowany to assemblegromadzić a newNowy companyfirma.
126
386587
1927
Powstało Human Longetivity
06:40
HumanCzłowieka LongevityDługowieczność was bornurodzony,
127
388538
1412
z jedną misją:
06:41
with one missionmisja:
128
389974
1370
robić, co w naszej mocy
06:43
tryingpróbować everything we can try
129
391368
1861
i nauczyć się, czego tylko
się da z tych książek
06:45
and learninguczenie się everything
we can learnuczyć się from these booksksiążki,
130
393253
2759
06:48
with one targetcel --
131
396036
1705
w jednym celu:
urzeczywistnić sen
o spersonalizowanej medycynie,
06:50
makingzrobienie realreal the dreamśnić
of personalizedspersonalizowane medicinelekarstwo,
132
398862
2801
zrozumieć, co trzeba zrobić
dla lepszego zdrowia
06:53
understandingzrozumienie what things
should be doneGotowe to have better healthzdrowie
133
401687
3767
i jakie tajemnice kryją te książki.
06:57
and what are the secretstajniki in these booksksiążki.
134
405478
2283
Niesamowita ekipa,
40 analityków danych i wielu innych,
07:00
An amazingniesamowity teamzespół, 40 datadane scientistsnaukowcy
and manywiele, manywiele more people,
135
408329
4250
z którymi współpraca to przyjemność.
07:04
a pleasureprzyjemność to work with.
136
412603
1350
07:05
The conceptpojęcie is actuallytak właściwie very simpleprosty.
137
413977
2253
To prosta koncepcja.
Zamierzamy użyć technologii
samouczenia się maszyn.
07:08
We're going to use a technologytechnologia
callednazywa machinemaszyna learninguczenie się.
138
416254
3158
Z jednej strony mamy tysiące genomów.
07:11
On one sidebok, we have genomesgenomy --
thousandstysiące of them.
139
419436
4539
Z drugiej zebraliśmy największą
bazę danych ludzi:
07:15
On the other sidebok, we collectedZebrane
the biggestnajwiększy databaseBaza danych of humanczłowiek beingsIstoty:
140
423999
3997
fenotypy, skany 3D, MRJ...
wszystko, co możecie wymyślić.
07:20
phenotypesfenotypów, 3D scanskandować, NMRNMR --
everything you can think of.
141
428020
4296
Pomiędzy tymi dwiema stronami
07:24
InsideWewnątrz there, on these two oppositenaprzeciwko sidesboki,
142
432340
2899
jest tajemnica tłumaczenia.
07:27
there is the secretsekret of translationtłumaczenie.
143
435263
2442
A pośrodku zbudowaliśmy maszynę.
07:29
And in the middleśrodkowy, we buildbudować a machinemaszyna.
144
437729
2472
Zbudowaliśmy ją i uczymy,
właściwie nie jedną, a wiele maszyn.
07:32
We buildbudować a machinemaszyna
and we trainpociąg a machinemaszyna --
145
440801
2385
07:35
well, not exactlydokładnie one machinemaszyna,
manywiele, manywiele machinesmaszyny --
146
443210
3210
Jak zrozumieć genom
i przełożyć go na fenotyp.
07:38
to try to understandzrozumieć and translateTłumaczyć
the genomegenom in a phenotypefenotyp.
147
446444
4544
Czym są te litery i co robią?
07:43
What are those letterslisty,
and what do they do?
148
451362
3340
Tej metody można użyć do wszystkiego,
07:46
It's an approachpodejście that can
be used for everything,
149
454726
2747
ale jest to szczególnie skomplikowane
w przypadku genomiki.
07:49
but usingza pomocą it in genomicsgenomika
is particularlyszczególnie complicatedskomplikowane.
150
457497
2993
Powoli się rozwijaliśmy i chcieliśmy
sobie stworzyć różne wyzwania.
07:52
Little by little we grewrósł and we wanted
to buildbudować differentróżne challengeswyzwania.
151
460514
3276
07:55
We startedRozpoczęty from the beginningpoczątek,
from commonpospolity traitscechy.
152
463814
2732
Zaczęliśmy od początku,
czyli cech wspólnych.
Cechy wspólne są wygodne,
bo są wspólne, każdy je ma.
07:58
CommonWspólne traitscechy are comfortablewygodny
because they are commonpospolity,
153
466570
2603
08:01
everyonekażdy has them.
154
469197
1184
Zaczęliśmy zadawać pytania:
08:02
So we startedRozpoczęty to askzapytać our questionspytania:
155
470405
2494
08:04
Can we predictprzepowiadać, wywróżyć heightwysokość?
156
472923
1380
Czy możemy przewidzieć wzrost?
Czy możemy przeczytać te książki
i przewidzieć wasz wzrost?
08:06
Can we readczytać the booksksiążki
and predictprzepowiadać, wywróżyć your heightwysokość?
157
474985
2177
08:09
Well, we actuallytak właściwie can,
158
477186
1151
Owszem,
z precyzją do pięciu centymetrów.
08:10
with fivepięć centimeterscentymetrów of precisionprecyzja.
159
478361
1793
08:12
BMIBMI is fairlydość connectedpołączony to your lifestylestyl życia,
160
480178
3135
BMI jest mocno związany
z waszym stylem życia,
ale mimo to możemy z precyzją
do ośmiu kilogramów.
08:15
but we still can, we get in the ballparkBallpark,
eightosiem kilogramskilogramy of precisionprecyzja.
161
483337
3864
Czy możemy przewidzieć kolor oczu?
08:19
Can we predictprzepowiadać, wywróżyć eyeoko colorkolor?
162
487225
1231
Tak, możemy.
08:20
Yeah, we can.
163
488480
1158
Z dokładnością 80%.
08:21
EightyOsiemdziesiąt percentprocent accuracyprecyzja.
164
489662
1324
Czy możemy przewidzieć kolor skóry?
08:23
Can we predictprzepowiadać, wywróżyć skinskóra colorkolor?
165
491466
1858
08:25
Yeah we can, 80 percentprocent accuracyprecyzja.
166
493348
2441
Możemy, dokładność 80%.
Czy możemy przewidzieć wiek?
08:27
Can we predictprzepowiadać, wywróżyć agewiek?
167
495813
1340
08:30
We can, because apparentlywidocznie,
the codekod changeszmiany duringpodczas your life.
168
498121
3739
Możemy, bo jak się okazuje
kod zmienia się z wiekiem.
08:33
It getsdostaje shorterkrótszy, you losestracić piecessztuk,
it getsdostaje insertionswstawki.
169
501884
3282
Skraca się, tracone są fragmenty,
pojawiają się insercje.
08:37
We readczytać the signalssygnały, and we make a modelModel.
170
505190
2555
Odczytujemy sygnały i budujemy model.
08:40
Now, an interestingciekawy challengewyzwanie:
171
508438
1475
I interesujące wyzwanie:
08:41
Can we predictprzepowiadać, wywróżyć a humanczłowiek facetwarz?
172
509937
1729
czy możemy przewidzieć ludzką twarz?
08:45
It's a little complicatedskomplikowane,
173
513014
1278
To trochę skomplikowane,
08:46
because a humanczłowiek facetwarz is scatteredrozproszone
amongpośród millionsmiliony of these letterslisty.
174
514316
3191
bo ludzka twarz jest rozproszona
wśród milionów tych liter.
08:49
And a humanczłowiek facetwarz is not
a very well-defineddobrze zdefiniowane objectobiekt.
175
517531
2629
Twarz ludzka nie jest
konkretnie zdefiniowanym obiektem.
08:52
So, we had to buildbudować an entireCały tierwarstwy of it
176
520184
2051
Musieliśmy zbudować ją warstwami,
08:54
to learnuczyć się and teachnauczać
a machinemaszyna what a facetwarz is,
177
522259
2710
aby nauczyć siebie
i maszynę, czym jest twarz,
08:56
and embedosadzać and compresskompres it.
178
524993
2037
nałożyć na siebie i skompresować.
08:59
And if you're comfortablewygodny
with machinemaszyna learninguczenie się,
179
527054
2248
Jeśli znacie się na uczeniu maszynowym,
09:01
you understandzrozumieć what the challengewyzwanie is here.
180
529326
2284
rozumiecie, jakie jest to wyzwanie.
09:04
Now, after 15 yearslat -- 15 yearslat after
we readczytać the first sequencesekwencja --
181
532108
5991
Obecnie 15 lat po odczytaniu
pierwszej sekwencji,
09:10
this OctoberPaździernik, we startedRozpoczęty
to see some signalssygnały.
182
538123
2902
w październiku tego roku
zaczęliśmy widzieć znaki.
09:13
And it was a very emotionalemocjonalny momentza chwilę.
183
541049
2455
To był bardzo wzruszający moment.
09:15
What you see here is a subjectPrzedmiot
comingprzyjście in our lablaboratorium.
184
543528
3745
Widzicie tu osobę badaną
w naszym laboratorium.
09:19
This is a facetwarz for us.
185
547619
1928
To jest dla nas twarz.
09:21
So we take the realreal facetwarz of a subjectPrzedmiot,
we reducezmniejszyć the complexityzłożoność,
186
549571
3631
Bierzemy prawdziwą twarz obiektu,
i upraszczamy ją,
bo wiele szczegółów i defektów twarzy
powstaje w ciągu życia.
09:25
because not everything is in your facetwarz --
187
553226
1970
09:27
lots of featurescechy and defectswady
and asymmetriesasymetrie come from your life.
188
555220
3786
Symetryzujemy twarz
i przeprowadzamy algorytm.
09:31
We symmetrizesymmetrize the facetwarz,
and we runbiegać our algorithmalgorytm.
189
559030
3469
A to, co widzicie teraz
09:35
The resultswyniki that I showpokazać you right now,
190
563245
1898
to wynik, który przewidzieliśmy z krwi.
09:37
this is the predictionPrognoza we have
from the bloodkrew.
191
565167
3372
(Brawa)
09:41
(ApplauseAplauz)
192
569596
1524
09:43
Wait a seconddruga.
193
571144
1435
Poczekajmy.
09:44
In these secondstowary drugiej jakości, your eyesoczy are watchingoglądanie,
left and right, left and right,
194
572603
4692
W tej chwili wasze oczy
patrzą z lewa na prawo,
a wasz mózg chce,
żeby te obrazki były identyczne.
09:49
and your brainmózg wants
those pictureskino to be identicalidentyczny.
195
577319
3930
Więc proszę was o inne ćwiczenie,
żeby było uczciwie.
09:53
So I askzapytać you to do
anotherinne exercisećwiczenie, to be honestszczery.
196
581273
2446
09:55
Please searchszukanie for the differencesróżnice,
197
583743
2287
Poszukajcie różnic, jest ich wiele.
09:58
whichktóry are manywiele.
198
586054
1361
Największa część sygnału
związana jest z płcią,
09:59
The biggestnajwiększy amountilość of signalsygnał
comespochodzi from genderpłeć,
199
587439
2603
potem jest wiek, BMI i czynnik etniczny.
10:02
then there is agewiek, BMIBMI,
the ethnicitypochodzenie etniczne componentskładnik of a humanczłowiek.
200
590066
5201
Wszystko powyżej się komplikuje.
10:07
And scalingułuskowienie up over that signalsygnał
is much more complicatedskomplikowane.
201
595291
3711
10:11
But what you see here,
even in the differencesróżnice,
202
599026
3250
Ale to, co tu widzicie, także w różnicach,
pokazuje, że jesteśmy blisko.
10:14
letspozwala you understandzrozumieć
that we are in the right ballparkBallpark,
203
602300
3595
10:17
that we are gettinguzyskiwanie closerbliższy.
204
605919
1348
Już to wzbudza w was emocje.
10:19
And it's alreadyjuż givingdający you some emotionsemocje.
205
607291
2349
10:21
This is anotherinne subjectPrzedmiot
that comespochodzi in placemiejsce,
206
609664
2703
To ko,lejny badany,
a oto co przewidzieliśmy.
10:24
and this is a predictionPrognoza.
207
612391
1409
10:25
A little smallermniejszy facetwarz, we didn't get
the completekompletny cranialczaszkowy structureStruktura,
208
613824
4596
Trochę mniejsza twarz,
nie złapaliśmy kompletnej
struktury czaszki,
ale i tak jesteśmy blisko.
10:30
but still, it's in the ballparkBallpark.
209
618444
2651
10:33
This is a subjectPrzedmiot that comespochodzi in our lablaboratorium,
210
621634
2224
To kolejny badany w laboratorium,
10:35
and this is the predictionPrognoza.
211
623882
1443
a oto co przewidzieliśmy.
10:38
So these people have never been seenwidziany
in the trainingtrening of the machinemaszyna.
212
626056
4676
Ci ludzie nie byli wykorzystani
do trenowania maszyny,
10:42
These are the so-calledtak zwana "held-outposiadaniu out" setzestaw.
213
630756
2837
należą do grupy "wstrzymanej".
10:45
But these are people that you will
probablyprawdopodobnie never believe.
214
633617
3740
Są to ludzie, którym pewnie
nigdy nie uwierzycie.
10:49
We're publishingwydawniczy everything
in a scientificnaukowy publicationopublikowanie,
215
637381
2676
Możecie o wszystkim przeczytać
w naszych naukowych publikacjach.
10:52
you can readczytać it.
216
640081
1151
10:53
But sinceod we are onstagena scenie,
ChrisChris challengedzakwestionowany me.
217
641256
2344
Ale skoro jesteśmy na scenie,
Chris dał mi wyzwanie.
10:55
I probablyprawdopodobnie exposednarażony myselfsiebie
and triedwypróbowany to predictprzepowiadać, wywróżyć
218
643624
3626
Próbowałem przewidzieć wygląd kogoś,
kogo możecie rozpoznać.
10:59
someonektoś that you mightmoc recognizerozpoznać.
219
647274
2831
11:02
So, in this vialfiolka of bloodkrew --
and believe me, you have no ideapomysł
220
650470
4425
W tej probówce z krwią,
a uwierzcie mi, nie macie pojęcia,
11:06
what we had to do to have
this bloodkrew now, here --
221
654919
2880
co musieliśmy zrobić,
żeby móc tu wnieść krew,
11:09
in this vialfiolka of bloodkrew is the amountilość
of biologicalbiologiczny informationInformacja
222
657823
3901
w tej probówce jest wystarczająca ilość
informacji biologicznej,
11:13
that we need to do a fullpełny genomegenom sequencesekwencja.
223
661748
2277
której potrzebujemy
do sekwencjonowania genomu.
11:16
We just need this amountilość.
224
664049
2070
Potrzebujemy tylko tyle.
11:18
We ranpobiegł this sequencesekwencja,
and I'm going to do it with you.
225
666528
3205
Przeanalizowaliśmy tę sekwencję.
Zrobię to z wami.
11:21
And we startpoczątek to layerwarstwa up
all the understandingzrozumienie we have.
226
669757
3979
Zaczęliśmy nawarstwiać wszystko,
co możemy zrozumieć.
11:25
In the vialfiolka of bloodkrew,
we predictedprzewidywane he's a malemęski.
227
673760
3350
Z tej próbki krwi przewidzieliśmy,
że to mężczyzna.
11:29
And the subjectPrzedmiot is a malemęski.
228
677134
1364
Tak, obiekt jest mężczyzną.
11:30
We predictprzepowiadać, wywróżyć that he's a metermetr and 76 cmcm.
229
678996
2438
Przewidzieliśmy, że ma 1,76 m wzrostu.
11:33
The subjectPrzedmiot is a metermetr and 77 cmcm.
230
681458
2392
Obiekt ma 1,77 m.
11:35
So, we predictedprzewidywane that he's 76;
the subjectPrzedmiot is 82.
231
683874
4110
Przewidzieliśmy, że waży 76 kg,
naprawdę waży 82 kg.
11:40
We predictprzepowiadać, wywróżyć his agewiek, 38.
232
688701
2632
Przewidzieliśmy, że ma 38 lat.
11:43
The subjectPrzedmiot is 35.
233
691357
1904
Obiekt ma 35.
11:45
We predictprzepowiadać, wywróżyć his eyeoko colorkolor.
234
693851
2124
Przewidzieliśmy kolor oczu,
11:48
Too darkciemny.
235
696824
1211
są ciemne.
11:50
We predictprzepowiadać, wywróżyć his skinskóra colorkolor.
236
698059
1555
Przewidzieliśmy kolor skóry.
11:52
We are almostprawie there.
237
700026
1410
No, już prawie.
11:53
That's his facetwarz.
238
701899
1373
To jego twarz.
11:57
Now, the revealodsłonić momentza chwilę:
239
705172
3269
A teraz chwila prawdy:
12:00
the subjectPrzedmiot is this personosoba.
240
708465
1770
obiekt to ta osoba.
12:02
(LaughterŚmiech)
241
710259
1935
(Śmiech)
12:04
And I did it intentionallycelowo.
242
712218
2058
Zrobiłem to celowo.
12:06
I am a very particularszczególny
and peculiarPeculiar ethnicitypochodzenie etniczne.
243
714300
3692
Należę do bardzo szczególnej
i osobliwej grupy etnicznej.
12:10
SouthernPołudniowej EuropeanEuropejski, ItaliansWłosi --
they never fitdopasowanie in modelsmodele.
244
718016
2950
Południowi Europejczycy, Włosi,
nigdy nie pasują do schematów.
12:12
And it's particularszczególny -- that ethnicitypochodzenie etniczne
is a complexzłożony cornerkąt casewalizka for our modelModel.
245
720990
5130
To osobliwa grupa, skomplikowany
przypadek graniczny.
12:18
But there is anotherinne pointpunkt.
246
726144
1509
Ale jest jeszcze jedna kwestia.
12:19
So, one of the things that we use
a lot to recognizerozpoznać people
247
727677
3477
Coś, czego często używamy
do rozpoznawania ludzi,
12:23
will never be writtenpisemny in the genomegenom.
248
731178
1722
nigdy nie będzie zapisane w genomie.
12:24
It's our freewolny will, it's how I look.
249
732924
2317
To nasza wolna wola, to jak wyglądamy.
12:27
Not my haircutfryzura in this casewalizka,
but my beardzarost cutciąć.
250
735265
3229
W moim przypadku nie fryzura, ale broda.
12:30
So I'm going to showpokazać you, I'm going to,
in this casewalizka, transfertransfer it --
251
738518
3553
Więc pokażę wam, w tym przypadku skopiuję,
12:34
and this is nothing more
than PhotoshopPhotoshop, no modelingmodelowanie --
252
742095
2765
to tylko Photoshop, nie modelowanie,
12:36
the beardzarost on the subjectPrzedmiot.
253
744884
1713
skopiuję brodę na obiekt.
12:38
And immediatelynatychmiast, we get
much, much better in the feelinguczucie.
254
746621
3472
Natychmiast mamy o wiele lepsze odczucie.
12:42
So, why do we do this?
255
750955
2709
Dlaczego to robimy?
12:47
We certainlyna pewno don't do it
for predictingprzewidywanie heightwysokość
256
755938
5140
Na pewno nie po to,
żeby przewidzieć wzrost
12:53
or takingnabierający a beautifulpiękny pictureobrazek
out of your bloodkrew.
257
761102
2372
ani zrobić piękny obrazek z waszej krwi.
12:56
We do it because the samepodobnie technologytechnologia
and the samepodobnie approachpodejście,
258
764390
4018
Robimy to, bo ta sama technologia
i to samo podejście,
13:00
the machinemaszyna learninguczenie się of this codekod,
259
768432
2520
uczenie maszyn tego kodu,
13:02
is helpingporcja jedzenia us to understandzrozumieć how we work,
260
770976
3137
pomaga nam zrozumieć, jak działamy,
13:06
how your bodyciało worksPrace,
261
774137
1486
jak działa wasze ciało,
13:07
how your bodyciało ageswieczność,
262
775647
1665
jak się starzeje,
13:09
how diseasechoroba generatesgeneruje in your bodyciało,
263
777336
2769
jak w ciele powstają choroby,
13:12
how your cancernowotwór growsrośnie and developsrozwija się,
264
780129
2972
jak rozwijają się nowotwory,
13:15
how drugsleki work
265
783125
1783
jak działają leki
13:16
and if they work on your bodyciało.
266
784932
2314
i czy działają na ciało.
13:19
This is a hugeolbrzymi challengewyzwanie.
267
787713
1667
To wielkie wyzwanie.
13:21
This is a challengewyzwanie that we sharedzielić
268
789894
1638
To wyzwanie wspólne
13:23
with thousandstysiące of other
researchersnaukowcy around the worldświat.
269
791556
2579
dla tysięcy innych naukowców
na całym świecie.
13:26
It's callednazywa personalizedspersonalizowane medicinelekarstwo.
270
794159
2222
Nazywamy to medycyną personalizowaną.
13:29
It's the abilityzdolność to moveruszaj się
from a statisticalstatystyczny approachpodejście
271
797125
3460
To możliwość przejścia
od metody statystycznej,
13:32
where you're a dotkropka in the oceanocean,
272
800609
2032
gdzie jesteś kroplą w morzu,
13:34
to a personalizedspersonalizowane approachpodejście,
273
802665
1813
do indywidualnego podejścia,
13:36
where we readczytać all these booksksiążki
274
804502
2185
gdzie czytamy te wszystkie książki
13:38
and we get an understandingzrozumienie
of exactlydokładnie how you are.
275
806711
2864
i zaczynamy rozumieć,
kim naprawdę jesteście.
13:42
But it is a particularlyszczególnie
complicatedskomplikowane challengewyzwanie,
276
810260
3362
Ale to tym bardziej skomplikowane,
13:45
because of all these booksksiążki, as of todaydzisiaj,
277
813646
3998
bo z tych wszystkich książek
dziś znamy mniej więcej dwa procent:
13:49
we just know probablyprawdopodobnie two percentprocent:
278
817668
2642
13:53
fourcztery booksksiążki of more than 175.
279
821027
3653
cztery książki z ponad 175.
13:58
And this is not the topictemat of my talk,
280
826021
3206
To nie temat mojej prelekcji,
14:02
because we will learnuczyć się more.
281
830145
2598
bo poznamy więcej.
14:05
There are the bestNajlepiej mindsumysły
in the worldświat on this topictemat.
282
833378
2669
Pracują nad tym najlepsze umysły świata.
14:09
The predictionPrognoza will get better,
283
837048
1834
Będziemy przewidywać lepiej,
14:10
the modelModel will get more preciseprecyzyjny.
284
838906
2253
model będzie bardziej precyzyjny.
14:13
And the more we learnuczyć się,
285
841183
1858
A im więcej się nauczymy,
14:15
the more we will
be confrontedkonfrontowany with decisionsdecyzje
286
843065
4830
tym częściej staniemy przed decyzjami,
14:19
that we never had to facetwarz before
287
847919
3021
których nigdy przedtem
nie musieliśmy podejmować.
14:22
about life,
288
850964
1435
O życiu,
14:24
about deathśmierć,
289
852423
1674
o śmierci,
14:26
about parentingdla rodziców.
290
854121
1603
o rodzicielstwie.
Dotykamy zasadniczych
szczegółów działania życia.
14:32
So, we are touchingwzruszające the very
innerwewnętrzny detailSzczegół on how life worksPrace.
291
860626
4746
14:38
And it's a revolutionrewolucja
that cannotnie może be confinedogranicza się
292
866118
3158
Ta rewolucja nie może być ograniczona
14:41
in the domaindomena of sciencenauka or technologytechnologia.
293
869300
2659
do dziedzin nauki czy technologii.
14:44
This mustmusi be a globalświatowy conversationrozmowa.
294
872960
2244
To musi być globalna dyskusja.
14:47
We mustmusi startpoczątek to think of the futureprzyszłość
we're buildingbudynek as a humanityludzkość.
295
875798
5217
Musimy zacząć myśleć o przyszłości,
jaką budujemy jako ludzkość.
14:53
We need to interactoddziaływać with creativeskreacje,
with artistsartyści, with philosophersfilozofowie,
296
881039
4064
Musimy wejść w interakcję
z branżą kreatywną,
z artystami, filozofami, politykami.
14:57
with politicianspolitycy.
297
885127
1510
14:58
EveryoneKażdy is involvedzaangażowany,
298
886661
1158
Dotyczy to wszystkich,
14:59
because it's the futureprzyszłość of our speciesgatunki.
299
887843
2825
bo to przyszłość naszego gatunku.
15:03
WithoutBez fearstrach, but with the understandingzrozumienie
300
891273
3968
Bez strachu, za to rozumiejąc,
15:07
that the decisionsdecyzje
that we make in the nextNastępny yearrok
301
895265
3871
że decyzje, które podejmiemy za rok,
15:11
will changezmiana the coursekurs of historyhistoria foreverna zawsze.
302
899160
3789
zmienią bieg historii na zawsze.
15:15
Thank you.
303
903732
1160
Dziękuję.
15:16
(ApplauseAplauz)
304
904916
10159
(Brawa)

▲Back to top

ABOUT THE SPEAKER
Riccardo Sabatini - Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions.

Why you should listen

Data scientist Riccardo Sabatini harnesses numerical methods for a surprising variety of fields, from material science research to the study of food commodities (as a past director of the EU research project FoodCAST). His most recent research centers on computational genomics and how to crack the code of life.

In addition to his data research, Sabatini is deeply involved in education for entrepreneurs. He is the founder and co-director of the Quantum ESPRESSO Foundation, an advisor in several data-driven startups, and funder of The HUB Trieste, a social impact accelerator.

More profile about the speaker
Riccardo Sabatini | Speaker | TED.com