TED2016
Riccardo Sabatini: How to read the genome and build a human being
Riccardo Sabatini: Como ler o genoma e construir um ser humano
Filmed:
Readability: 3.6
1,834,677 views
Segredos, doença e beleza estão escritos no genoma humano, o conjunto completo de instruções genéticas necessárias para construir um ser humano. Hoje, como o cientista e empreendedor Riccardo Sabatini nos mostra, temos o poder de ler esse código complexo, capaz de prever coisas como a altura, a cor dos olhos, a idade, e até mesmo a estrutura facial - tudo a partir do sangue contido em em tubo de ensaio. E, em breve, afirma Sabatini, nossa compreensão do genoma permitirá personalizar tratamentos para doenças como o câncer. Temos o poder de modificar a vida como a conhecemos. Como usaremos este poder?
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. Full bio
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 next 16 minutes,
I'm going to take you on a journey
I'm going to take you on a journey
0
612
2762
Nos próximos 16 minutos,
vou conduzi-los em uma jornada
vou conduzi-los em uma jornada
00:15
that is probably
the biggest dream of humanity:
the biggest dream of humanity:
1
3398
3086
que talvez seja o maior
sonho da humanidade:
sonho da humanidade:
entender o código da vida.
00:18
to understand the code of life.
2
6508
2015
00:21
So for me, everything started
many, many years ago
many, many years ago
3
9072
2743
Quanto a mim, tudo começo
há muitos e muitos anos,
há muitos e muitos anos,
00:23
when I met the first 3D printer.
4
11839
2723
quando conheci a primeira impressora 3D.
00:26
The concept was fascinating.
5
14586
1674
O conceito era fascinante.
Uma impressora 3D requer três elementos:
00:28
A 3D printer needs three elements:
6
16284
2022
00:30
a bit of information, some
raw material, some energy,
raw material, some energy,
7
18330
4134
informação, matéria-prima e energia,
00:34
and it can produce any object
that was not there before.
that was not there before.
8
22488
3334
com os quais podemos produzir
qualquer objeto que não existia antes.
qualquer objeto que não existia antes.
00:38
I was doing physics,
I was coming back home
I was coming back home
9
26517
2137
Eu estudava física,
estava voltando para casa
estava voltando para casa
00:40
and I realized that I actually
always knew a 3D printer.
always knew a 3D printer.
10
28678
3438
e me dei conta de que sempre tive
uma impressora 3D.
uma impressora 3D.
00:44
And everyone does.
11
32140
1336
E todo mundo tem uma.
É a minha mãe.
00:45
It was my mom.
12
33500
1158
(Risos)
00:46
(Laughter)
13
34682
1001
Minha mãe usou três elementos:
00:47
My mom takes three elements:
14
35707
2414
informação, neste caso,
entre meu pai e ela,
entre meu pai e ela,
00:50
a bit of information, which is between
my father and my mom in this case,
my father and my mom in this case,
15
38145
3973
matérias-primas e energia
de uma mesma fonte, ou seja, o alimento,
de uma mesma fonte, ou seja, o alimento,
00:54
raw elements and energy
in the same media, that is food,
in the same media, that is food,
16
42142
4157
00:58
and after several months, produces me.
17
46323
2508
e vários meses depois, fui produzido.
E eu não existia antes.
01:00
And I was not existent before.
18
48855
1812
Além do choque que tive, ao descobrir
que minha mãe era uma impressora 3D,
que minha mãe era uma impressora 3D,
01:02
So apart from the shock of my mom
discovering that she was a 3D printer,
discovering that she was a 3D printer,
19
50691
3762
eu fiquei imediatamente fascinado
pelo primeiro elemento, a informação.
pelo primeiro elemento, a informação.
01:06
I immediately got mesmerized
by that piece,
by that piece,
20
54477
4738
01:11
the first one, the information.
21
59239
1717
Qual é a quantidade de informação
necessária para montar um ser humano?
necessária para montar um ser humano?
01:12
What amount of information does it take
22
60980
2251
01:15
to build and assemble a human?
23
63255
1936
01:17
Is it much? Is it little?
24
65215
1574
É muita? É pouca?
Caberia em quantos pen drives?
01:18
How many thumb drives can you fill?
25
66813
2180
01:21
Well, I was studying physics
at the beginning
at the beginning
26
69017
2624
Bem, no começo eu estudava física
e adotei a analogia simplista
01:23
and I took this approximation of a human
as a gigantic Lego piece.
as a gigantic Lego piece.
27
71665
5597
entre um ser humano
e uma peça gigante de Lego.
e uma peça gigante de Lego.
01:29
So, imagine that the building
blocks are little atoms
blocks are little atoms
28
77286
3785
Imagine que os blocos de construção
sejam átomos minúsculos,
sejam átomos minúsculos,
e que há um hidrogênio aqui,
um carbono aqui, um nitrogênio aqui.
um carbono aqui, um nitrogênio aqui.
01:33
and there is a hydrogen here,
a carbon here, a nitrogen here.
a carbon here, a nitrogen here.
29
81095
4653
Numa primeira aproximação,
01:37
So in the first approximation,
30
85772
1571
se puder listar o número de átomos
formadores do ser humano,
formadores do ser humano,
01:39
if I can list the number of atoms
that compose a human being,
that compose a human being,
31
87367
4343
eu posso construí-lo.
01:43
I can build it.
32
91734
1387
01:45
Now, you can run some numbers
33
93145
2029
Pode-se fazer um cálculo
e o número que se obtém
é muito impressionante.
é muito impressionante.
01:47
and that happens to be
quite an astonishing number.
quite an astonishing number.
34
95198
3277
01:50
So the number of atoms,
35
98499
2757
O número de átomos,
no arquivo que terei de salvar
em um pen driver para montar um bebê,
em um pen driver para montar um bebê,
01:53
the file that I will save in my thumb
drive to assemble a little baby,
drive to assemble a little baby,
36
101280
4755
na verdade lotará um Titanic inteiro,
cheio de pen drives,
cheio de pen drives,
01:58
will actually fill an entire Titanic
of thumb drives --
of thumb drives --
37
106059
4667
multiplicado por 2 mil vezes.
02:02
multiplied 2,000 times.
38
110750
2718
02:05
This is the miracle of life.
39
113957
3401
Esse é o milagre da vida.
Doravante, quando virem
uma mulher grávida,
uma mulher grávida,
02:09
Every time you see from now on
a pregnant lady,
a pregnant lady,
40
117382
2612
saberão que ela está montando
a maior quantidade de informação
a maior quantidade de informação
02:12
she's assembling the biggest
amount of information
amount of information
41
120018
2856
que jamais encontrarão.
02:14
that you will ever encounter.
42
122898
1556
Esqueça “big data”, esqueça
tudo de que já tenha ouvido.
tudo de que já tenha ouvido.
02:16
Forget big data, forget
anything you heard of.
anything you heard of.
43
124478
2950
É a maior quantidade
de informação que existe.
de informação que existe.
02:19
This is the biggest amount
of information that exists.
of information that exists.
44
127452
2881
02:22
(Applause)
45
130357
3833
(Aplausos)
A natureza, felizmente, é muito mais
inteligente do que um físico,
inteligente do que um físico,
02:26
But nature, fortunately, is much smarter
than a young physicist,
than a young physicist,
46
134214
4644
e, em 4 bilhões de anos,
conseguiu concentrar essa informação
conseguiu concentrar essa informação
02:30
and in four billion years, managed
to pack this information
to pack this information
47
138882
3576
em um pequeno cristal que chamamos de DNA.
02:34
in a small crystal we call DNA.
48
142482
2705
02:37
We met it for the first time in 1950
when Rosalind Franklin,
when Rosalind Franklin,
49
145605
4312
Nós o conhecemos em 1950,
quando Rosalind Franklin,
quando Rosalind Franklin,
uma notável cientista, uma mulher,
02:41
an amazing scientist, a woman,
50
149941
1556
02:43
took a picture of it.
51
151521
1389
o fotografou.
Porém, levou mais de 40 anos para enfim
penetrarmos numa célula humana,
penetrarmos numa célula humana,
02:44
But it took us more than 40 years
to finally poke inside a human cell,
to finally poke inside a human cell,
52
152934
5188
retirarmos este cristal,
02:50
take out this crystal,
53
158146
1602
o desenrolarmos e o lermos
pela primeira vez.
pela primeira vez.
02:51
unroll it, and read it for the first time.
54
159772
3080
02:55
The code comes out to be
a fairly simple alphabet,
a fairly simple alphabet,
55
163615
3241
O código revelou ser um alfabeto
razoavelmente simples,
razoavelmente simples,
com quatro letras: A, T, C e G.
02:58
four letters: A, T, C and G.
56
166880
3772
Para construir um ser humano,
são necessárias 3 bilhões delas.
são necessárias 3 bilhões delas.
03:02
And to build a human,
you need three billion of them.
you need three billion of them.
57
170676
3490
03:06
Three billion.
58
174933
1179
Três bilhões.
03:08
How many are three billion?
59
176136
1579
O que são três bilhões?
Não fazemos ideia da quantidade
representada, certo?
representada, certo?
03:09
It doesn't really make
any sense as a number, right?
any sense as a number, right?
60
177739
2762
Pensei como poderia explicar melhor
a enormidade deste código.
a enormidade deste código.
03:12
So I was thinking how
I could explain myself better
I could explain myself better
61
180525
4085
03:16
about how big and enormous this code is.
62
184634
3050
03:19
But there is -- I mean,
I'm going to have some help,
I'm going to have some help,
63
187708
3054
Mas terei uma ajuda,
03:22
and the best person to help me
introduce the code
introduce the code
64
190786
3227
e a melhor pessoa para me ajudar
a apresentar o código
a apresentar o código
é, na verdade, o primeiro homem
que o sequenciou, Dr. Craig Venter.
que o sequenciou, Dr. Craig Venter.
03:26
is actually the first man
to sequence it, Dr. Craig Venter.
to sequence it, Dr. Craig Venter.
65
194037
3522
Bem-vindo ao palco, Dr. Craig Venter.
03:29
So welcome onstage, Dr. Craig Venter.
66
197583
3390
(Aplausos)
03:32
(Applause)
67
200997
6931
03:39
Not the man in the flesh,
68
207952
2256
Não é ele em carne e osso,
03:43
but for the first time in history,
69
211448
2345
mas, pela primeira vez na história,
este é o genoma de uma pessoa específica,
03:45
this is the genome of a specific human,
70
213817
3462
impresso página por página,
letra por letra:
letra por letra:
03:49
printed page-by-page, letter-by-letter:
71
217303
3760
262 mil páginas de informação,
03:53
262,000 pages of information,
72
221087
3996
450 kg, despachados dos EUA ao Canadá,
03:57
450 kilograms, shipped
from the United States to Canada
from the United States to Canada
73
225107
4364
graças a Bruno Bowden, Lulu.com,
uma “start-up” que fez tudo.
uma “start-up” que fez tudo.
04:01
thanks to Bruno Bowden,
Lulu.com, a start-up, did everything.
Lulu.com, a start-up, did everything.
74
229495
4843
Foi um façanha incrível.
04:06
It was an amazing feat.
75
234362
1463
Esta é a percepção visual
do que é o código da vida.
do que é o código da vida.
04:07
But this is the visual perception
of what is the code of life.
of what is the code of life.
76
235849
4297
Agora, pela primeira vez,
posso fazer algo divertido.
posso fazer algo divertido.
04:12
And now, for the first time,
I can do something fun.
I can do something fun.
77
240170
2478
Posso realmente olhar dentro dele e o ler.
04:14
I can actually poke inside it and read.
78
242672
2547
04:17
So let me take an interesting
book ... like this one.
book ... like this one.
79
245243
4625
Então, deixe-me pegar
um livro interessante…como este.
um livro interessante…como este.
Eu fiz uma anotação:
é um livro razoavelmente grande.
é um livro razoavelmente grande.
04:25
I have an annotation;
it's a fairly big book.
it's a fairly big book.
80
253077
2534
É apenas para que vocês vejam
o que é o código da vida.
o que é o código da vida.
04:27
So just to let you see
what is the code of life.
what is the code of life.
81
255635
3727
(Risos)
04:32
Thousands and thousands and thousands
82
260566
3391
Milhares, milhares, milhares
e milhões de letras.
e milhões de letras.
04:35
and millions of letters.
83
263981
2670
04:38
And they apparently make sense.
84
266675
2396
E elas parecem fazer sentido.
04:41
Let's get to a specific part.
85
269095
1757
Vamos para uma parte específica.
04:43
Let me read it to you:
86
271571
1362
Vou ler para vocês.
(Risos)
04:44
(Laughter)
87
272957
1021
“AAG, AAT, ATA.”
04:46
"AAG, AAT, ATA."
88
274002
4006
04:50
To you it sounds like mute letters,
89
278965
2067
Podem parecer letras sem significado,
04:53
but this sequence gives
the color of the eyes to Craig.
the color of the eyes to Craig.
90
281056
4041
mas esta sequência determina
a cor dos olhos do Craig.
a cor dos olhos do Craig.
04:57
I'll show you another part of the book.
91
285633
1932
Vou mostrar-lhes outra parte do livro.
Esta é realmente um pouco mais complicada.
04:59
This is actually a little
more complicated.
more complicated.
92
287589
2094
05:02
Chromosome 14, book 132:
93
290983
2647
Cromossomo 14, livro 132:
(Risos)
05:05
(Laughter)
94
293654
2090
Como vocês esperavam.
05:07
As you might expect.
95
295768
1277
(Risos)
05:09
(Laughter)
96
297069
3466
05:14
"ATT, CTT, GATT."
97
302857
4507
"ATT, CTT, GATT."
05:20
This human is lucky,
98
308329
1687
Esta pessoa tem sorte,
porque se faltassem apenas
duas letras nesta posição,
duas letras nesta posição,
05:22
because if you miss just
two letters in this position --
two letters in this position --
99
310040
4517
duas letras em três bilhões,
05:26
two letters of our three billion --
100
314581
1877
ela estaria condenada
a uma doença terrível:
a uma doença terrível:
05:28
he will be condemned
to a terrible disease:
to a terrible disease:
101
316482
2019
a fibrose cística.
05:30
cystic fibrosis.
102
318525
1440
Não há cura para ela,
não sabemos como tratá-la,
não sabemos como tratá-la,
05:31
We have no cure for it,
we don't know how to solve it,
we don't know how to solve it,
103
319989
3413
e são apenas duas letras de diferença
em relação às pessoas saudáveis.
em relação às pessoas saudáveis.
05:35
and it's just two letters
of difference from what we are.
of difference from what we are.
104
323426
3755
05:39
A wonderful book, a mighty book,
105
327585
2705
Um livro maravilhoso e poderoso,
que me ajudou a entender
que me ajudou a entender
05:43
a mighty book that helped me understand
106
331115
1998
05:45
and show you something quite remarkable.
107
333137
2753
e mostrar-lhes algo notável.
05:48
Every one of you -- what makes
me, me and you, you --
me, me and you, you --
108
336480
4435
Cada um de vocês, o que me faz
ser quem sou, o que faz você ser você,
ser quem sou, o que faz você ser você,
05:52
is just about five million of these,
109
340939
2954
são apenas 5 milhões destas,
a metade de um livro.
05:55
half a book.
110
343917
1228
05:58
For the rest,
111
346015
1663
No resto, somos absolutamente idênticos.
05:59
we are all absolutely identical.
112
347702
2562
06:03
Five hundred pages
is the miracle of life that you are.
is the miracle of life that you are.
113
351008
4018
São 500 páginas, o milagre da vida,
o milagre que vocês são.
o milagre que vocês são.
O restante, todos nós compartilhamos.
06:07
The rest, we all share it.
114
355050
2531
Lembrem disto, quando pensarem
que somos diferentes.
que somos diferentes.
06:09
So think about that again
when we think that we are different.
when we think that we are different.
115
357605
2909
Esta é a quantidade
que nós compartilhamos.
que nós compartilhamos.
06:12
This is the amount that we share.
116
360538
2221
06:15
So now that I have your attention,
117
363441
3429
Agora que tenho a atenção de vocês,
a próxima questão é:
06:18
the next question is:
118
366894
1359
Como conseguir ler?
Como fazer isto ter um significado?
Como fazer isto ter um significado?
06:20
How do I read it?
119
368277
1151
06:21
How do I make sense out of it?
120
369452
1509
06:23
Well, for however good you can be
at assembling Swedish furniture,
at assembling Swedish furniture,
121
371409
4240
Bem, por mais hábeis que sejam
em montar móveis suecos,
em montar móveis suecos,
este manual de instrução é algo
que nunca conseguirão decifrar.
que nunca conseguirão decifrar.
06:27
this instruction manual
is nothing you can crack in your life.
is nothing you can crack in your life.
122
375673
3563
(Risos)
06:31
(Laughter)
123
379260
1603
E assim, em 2014, dois famosos
participantes do TED,
participantes do TED,
06:32
And so, in 2014, two famous TEDsters,
124
380887
3112
Peter Diamandis e o próprio Craig Venter,
06:36
Peter Diamandis and Craig Venter himself,
125
384023
2540
decidiram fundar uma nova companhia.
06:38
decided to assemble a new company.
126
386587
1927
06:40
Human Longevity was born,
127
388538
1412
E nasceu a Human Longevity,
06:41
with one mission:
128
389974
1370
com uma missão:
06:43
trying everything we can try
129
391368
1861
fazer tudo o que pudéssemos
e estudar tudo o que podíamos
aprender com estes livros,
aprender com estes livros,
06:45
and learning everything
we can learn from these books,
we can learn from these books,
130
393253
2759
com um objetivo:
06:48
with one target --
131
396036
1705
06:50
making real the dream
of personalized medicine,
of personalized medicine,
132
398862
2801
tornar realidade o sonho
da medicina personalizada,
da medicina personalizada,
compreender o que deveria ser feito
para termos uma saúde melhor
para termos uma saúde melhor
06:53
understanding what things
should be done to have better health
should be done to have better health
133
401687
3767
e que segredos guardam estes livros.
06:57
and what are the secrets in these books.
134
405478
2283
07:00
An amazing team, 40 data scientists
and many, many more people,
and many, many more people,
135
408329
4250
Uma equipe maravilhosa,
com 40 cientistas de dados
com 40 cientistas de dados
e muitas outras pessoas,
com as quais é um prazer trabalhar.
com as quais é um prazer trabalhar.
07:04
a pleasure to work with.
136
412603
1350
07:05
The concept is actually very simple.
137
413977
2253
O conceito é realmente muito simples.
07:08
We're going to use a technology
called machine learning.
called machine learning.
138
416254
3158
Usaremos uma tecnologia
chamada aprendizado de máquina.
chamada aprendizado de máquina.
De um lado, temos os genomas,
milhares deles.
milhares deles.
07:11
On one side, we have genomes --
thousands of them.
thousands of them.
139
419436
4539
07:15
On the other side, we collected
the biggest database of human beings:
the biggest database of human beings:
140
423999
3997
Do outro lado, juntamos o maior
banco de dados sobre os seres humanos:
banco de dados sobre os seres humanos:
fenótipos, escaneamento em 3D, RNM,
tudo aquilo em que possam pensar.
tudo aquilo em que possam pensar.
07:20
phenotypes, 3D scan, NMR --
everything you can think of.
everything you can think of.
141
428020
4296
Dentro disso, nos dois lados opostos,
há o segredo da tradução.
há o segredo da tradução.
07:24
Inside there, on these two opposite sides,
142
432340
2899
07:27
there is the secret of translation.
143
435263
2442
07:29
And in the middle, we build a machine.
144
437729
2472
E no meio, construímos uma máquina.
07:32
We build a machine
and we train a machine --
and we train a machine --
145
440801
2385
Construímos e treinamos uma máquina;
bem, não exatamente uma,
muitas e muitas máquinas…
muitas e muitas máquinas…
07:35
well, not exactly one machine,
many, many machines --
many, many machines --
146
443210
3210
com a finalidade de entender e traduzir
o genoma em um fenótipo.
o genoma em um fenótipo.
07:38
to try to understand and translate
the genome in a phenotype.
the genome in a phenotype.
147
446444
4544
07:43
What are those letters,
and what do they do?
and what do they do?
148
451362
3340
Quais são as letras e o que elas fazem?
07:46
It's an approach that can
be used for everything,
be used for everything,
149
454726
2747
É uma abordagem que pode
ser usada para tudo,
ser usada para tudo,
mas usá-la em genômica é
particularmente complicado.
particularmente complicado.
07:49
but using it in genomics
is particularly complicated.
is particularly complicated.
150
457497
2993
Progredimos aos poucos e queríamos
enfrentar diferentes desafios.
enfrentar diferentes desafios.
07:52
Little by little we grew and we wanted
to build different challenges.
to build different challenges.
151
460514
3276
Começamos pelos traços comuns,
07:55
We started from the beginning,
from common traits.
from common traits.
152
463814
2732
07:58
Common traits are comfortable
because they are common,
because they are common,
153
466570
2603
pois tais características
são mais fáceis de trabalhar,
são mais fáceis de trabalhar,
08:01
everyone has them.
154
469197
1184
todos as têm.
Começamos a indagar:
08:02
So we started to ask our questions:
155
470405
2494
Podemos prever a altura?
08:04
Can we predict height?
156
472923
1380
08:06
Can we read the books
and predict your height?
and predict your height?
157
474985
2177
Podemos ler os livros e prever a altura?
08:09
Well, we actually can,
158
477186
1151
Bem, realmente podemos,
com 5 cm de precisão.
08:10
with five centimeters of precision.
159
478361
1793
O índice de massa corporal, IMC,
está ligado ao estilo de vida,
está ligado ao estilo de vida,
08:12
BMI is fairly connected to your lifestyle,
160
480178
3135
mas, dentro de certos limites,
podemos prevê-lo com 8 kg de precisão.
podemos prevê-lo com 8 kg de precisão.
08:15
but we still can, we get in the ballpark,
eight kilograms of precision.
eight kilograms of precision.
161
483337
3864
E prever a cor dos olhos?
08:19
Can we predict eye color?
162
487225
1231
Sim, podemos. Com 80% de precisão.
08:20
Yeah, we can.
163
488480
1158
08:21
Eighty percent accuracy.
164
489662
1324
08:23
Can we predict skin color?
165
491466
1858
Podemos prever a cor da pele?
Sim, podemos, com 80% de precisão.
08:25
Yeah we can, 80 percent accuracy.
166
493348
2441
08:27
Can we predict age?
167
495813
1340
Podemos prever a idade?
08:30
We can, because apparently,
the code changes during your life.
the code changes during your life.
168
498121
3739
Podemos porque, aparentemente,
o código muda ao longo da vida.
o código muda ao longo da vida.
Ele se encurta, perde pedaços,
ganha inserções.
ganha inserções.
08:33
It gets shorter, you lose pieces,
it gets insertions.
it gets insertions.
169
501884
3282
Lemos os sinais e elaboramos um modelo.
08:37
We read the signals, and we make a model.
170
505190
2555
08:40
Now, an interesting challenge:
171
508438
1475
Um desafio interessante:
é possível prever a face humana?
é possível prever a face humana?
08:41
Can we predict a human face?
172
509937
1729
08:45
It's a little complicated,
173
513014
1278
É um pouco complicado,
porque uma face humana está espalhada
entre milhões de letras.
entre milhões de letras.
08:46
because a human face is scattered
among millions of these letters.
among millions of these letters.
174
514316
3191
E uma face humana não é
um objeto bem definido.
um objeto bem definido.
08:49
And a human face is not
a very well-defined object.
a very well-defined object.
175
517531
2629
Construímos uma coleção delas
08:52
So, we had to build an entire tier of it
176
520184
2051
para aprender e ensinar
a uma máquina o que é uma face,
a uma máquina o que é uma face,
08:54
to learn and teach
a machine what a face is,
a machine what a face is,
177
522259
2710
a incorporá-la e comprimi-la.
08:56
and embed and compress it.
178
524993
2037
Se entendem de aprendizagem de máquina,
08:59
And if you're comfortable
with machine learning,
with machine learning,
179
527054
2248
compreendem qual é o desafio aqui.
09:01
you understand what the challenge is here.
180
529326
2284
09:04
Now, after 15 years -- 15 years after
we read the first sequence --
we read the first sequence --
181
532108
5991
Bem, 15 anos após termos
lido a primeira sequência,
lido a primeira sequência,
agora em outubro
identificamos alguns sinais.
identificamos alguns sinais.
09:10
this October, we started
to see some signals.
to see some signals.
182
538123
2902
Foi um momento muito emocionante.
09:13
And it was a very emotional moment.
183
541049
2455
O que veem aqui é uma pessoa
chegando ao nosso laboratório.
chegando ao nosso laboratório.
09:15
What you see here is a subject
coming in our lab.
coming in our lab.
184
543528
3745
09:19
This is a face for us.
185
547619
1928
Para nós, é um rosto.
Tomamos o rosto real de uma pessoa,
reduzimos a complexidade,
reduzimos a complexidade,
09:21
So we take the real face of a subject,
we reduce the complexity,
we reduce the complexity,
186
549571
3631
porque nem tudo está no rosto,
09:25
because not everything is in your face --
187
553226
1970
muitos aspectos e defeitos e assimetrias
vêm da vida que a pessoa leva.
vêm da vida que a pessoa leva.
09:27
lots of features and defects
and asymmetries come from your life.
and asymmetries come from your life.
188
555220
3786
Simetrizamos a face
e usamos nosso algoritmo.
e usamos nosso algoritmo.
09:31
We symmetrize the face,
and we run our algorithm.
and we run our algorithm.
189
559030
3469
09:35
The results that I show you right now,
190
563245
1898
O resultado que lhes mostro agora
09:37
this is the prediction we have
from the blood.
from the blood.
191
565167
3372
é a previsão que fizemos
a partir de amostra de sangue.
a partir de amostra de sangue.
09:41
(Applause)
192
569596
1524
(Aplausos)
Esperem um instante.
09:43
Wait a second.
193
571144
1435
Nesses segundos, vocês olham da esquerda
para a direita e vice-versa,
para a direita e vice-versa,
09:44
In these seconds, your eyes are watching,
left and right, left and right,
left and right, left and right,
194
572603
4692
e o cérebro espera
que as figuras sejam idênticas.
que as figuras sejam idênticas.
09:49
and your brain wants
those pictures to be identical.
those pictures to be identical.
195
577319
3930
Peço que façam um outro
exercício, para ser honesto.
exercício, para ser honesto.
09:53
So I ask you to do
another exercise, to be honest.
another exercise, to be honest.
196
581273
2446
Por favor, procurem as diferenças,
09:55
Please search for the differences,
197
583743
2287
as quais são muitas.
09:58
which are many.
198
586054
1361
A maior quantidade
de sinais vem do gênero,
de sinais vem do gênero,
09:59
The biggest amount of signal
comes from gender,
comes from gender,
199
587439
2603
depois a idade, IMC, o componente
da etnicidade de uma pessoa.
da etnicidade de uma pessoa.
10:02
then there is age, BMI,
the ethnicity component of a human.
the ethnicity component of a human.
200
590066
5201
E extrapolar a partir do sinal
é mais complicado ainda.
é mais complicado ainda.
10:07
And scaling up over that signal
is much more complicated.
is much more complicated.
201
595291
3711
Mas, o que veem aqui,
mesmo nas diferenças,
mesmo nas diferenças,
10:11
But what you see here,
even in the differences,
even in the differences,
202
599026
3250
permite que percebam
que estamos no caminho certo,
que estamos no caminho certo,
10:14
lets you understand
that we are in the right ballpark,
that we are in the right ballpark,
203
602300
3595
que estamos chegando perto.
10:17
that we are getting closer.
204
605919
1348
E já nos causa algumas emoções.
10:19
And it's already giving you some emotions.
205
607291
2349
Esta é uma outra pessoa que chega,
10:21
This is another subject
that comes in place,
that comes in place,
206
609664
2703
e esta é uma previsão.
10:24
and this is a prediction.
207
612391
1409
Tem uma face um pouco menor,
10:25
A little smaller face, we didn't get
the complete cranial structure,
the complete cranial structure,
208
613824
4596
não captamos a estrutura
craniana completa,
craniana completa,
mas, ainda assim, chegamos perto.
10:30
but still, it's in the ballpark.
209
618444
2651
10:33
This is a subject that comes in our lab,
210
621634
2224
Eis o sujeito que chega
em nosso laboratório,
em nosso laboratório,
e esta é a sua previsão.
10:35
and this is the prediction.
211
623882
1443
10:38
So these people have never been seen
in the training of the machine.
in the training of the machine.
212
626056
4676
Essas pessoas nunca foram usadas
para treinar a máquina.
para treinar a máquina.
São chamadas de conjunto “não incluído”.
10:42
These are the so-called "held-out" set.
213
630756
2837
São pessoas que vocês provavelmente
nunca acreditarão que existem.
nunca acreditarão que existem.
10:45
But these are people that you will
probably never believe.
probably never believe.
214
633617
3740
Estamos publicando tudo
em uma revista científica,
em uma revista científica,
10:49
We're publishing everything
in a scientific publication,
in a scientific publication,
215
637381
2676
e vocês podem ler.
10:52
you can read it.
216
640081
1151
Já que estamos no palco,
Chris me desafiou.
Chris me desafiou.
10:53
But since we are onstage,
Chris challenged me.
Chris challenged me.
217
641256
2344
É possível que tenha me exposto
e me arriscado a prever
e me arriscado a prever
10:55
I probably exposed myself
and tried to predict
and tried to predict
218
643624
3626
alguém que vocês podem reconhecer.
10:59
someone that you might recognize.
219
647274
2831
11:02
So, in this vial of blood --
and believe me, you have no idea
and believe me, you have no idea
220
650470
4425
No sangue contido neste tubo de ensaio,
e creiam-me, vocês não têm ideia
e creiam-me, vocês não têm ideia
do que tivemos que fazer
para obter este sangue, aqui,
para obter este sangue, aqui,
11:06
what we had to do to have
this blood now, here --
this blood now, here --
221
654919
2880
este frasquinho de sangue contém
a quantidade de informação biológica
a quantidade de informação biológica
11:09
in this vial of blood is the amount
of biological information
of biological information
222
657823
3901
necessária para sequenciar todo o genoma.
11:13
that we need to do a full genome sequence.
223
661748
2277
Esta quantidade é suficiente.
11:16
We just need this amount.
224
664049
2070
11:18
We ran this sequence,
and I'm going to do it with you.
and I'm going to do it with you.
225
666528
3205
Fizemos esta sequência
e vamos fazê-la com vocês.
e vamos fazê-la com vocês.
Começamos a utilizar
todo o conhecimento que temos.
todo o conhecimento que temos.
11:21
And we start to layer up
all the understanding we have.
all the understanding we have.
226
669757
3979
Com o tubo de sangue,
previmos que era um homem.
previmos que era um homem.
11:25
In the vial of blood,
we predicted he's a male.
we predicted he's a male.
227
673760
3350
E era um homem.
11:29
And the subject is a male.
228
677134
1364
11:30
We predict that he's a meter and 76 cm.
229
678996
2438
Previmos que tem 1,76 m.
O sujeito tem 1,77 m.
11:33
The subject is a meter and 77 cm.
230
681458
2392
Previmos 76 kg, a pessoa tem 82 kg.
11:35
So, we predicted that he's 76;
the subject is 82.
the subject is 82.
231
683874
4110
11:40
We predict his age, 38.
232
688701
2632
Previmos sua idade, 38 anos.
A pessoa tem 35 anos.
11:43
The subject is 35.
233
691357
1904
11:45
We predict his eye color.
234
693851
2124
Previmos a cor dos seus olhos.
11:48
Too dark.
235
696824
1211
São muito escuros.
Previmos sua cor de pele.
11:50
We predict his skin color.
236
698059
1555
11:52
We are almost there.
237
700026
1410
Falta pouco.
11:53
That's his face.
238
701899
1373
Esta é sua face.
11:57
Now, the reveal moment:
239
705172
3269
Agora, a hora da revelação:
o sujeito é esta pessoa.
12:00
the subject is this person.
240
708465
1770
(Risos)
12:02
(Laughter)
241
710259
1935
Foi uma coisa intencional
12:04
And I did it intentionally.
242
712218
2058
Sou de uma etnia muito peculiar.
12:06
I am a very particular
and peculiar ethnicity.
and peculiar ethnicity.
243
714300
3692
Europeus do sul, italianos,
não se enquadram em modelos.
não se enquadram em modelos.
12:10
Southern European, Italians --
they never fit in models.
they never fit in models.
244
718016
2950
E é específico…
12:12
And it's particular -- that ethnicity
is a complex corner case for our model.
is a complex corner case for our model.
245
720990
5130
O grupo étnico é muito complexo
e especial para o nosso modelo.
e especial para o nosso modelo.
12:18
But there is another point.
246
726144
1509
Mas há uma outra questão.
Uma das coisas muito usadas
para reconhecer pessoas
para reconhecer pessoas
12:19
So, one of the things that we use
a lot to recognize people
a lot to recognize people
247
727677
3477
nunca estará escrita no genoma.
12:23
will never be written in the genome.
248
731178
1722
É a nossa livre escolha,
é a nossa aparência.
é a nossa aparência.
12:24
It's our free will, it's how I look.
249
732924
2317
Não o meu corte de cabelo,
neste caso, o corte de minha barba.
neste caso, o corte de minha barba.
12:27
Not my haircut in this case,
but my beard cut.
but my beard cut.
250
735265
3229
Neste caso, eu vou transferir...
12:30
So I'm going to show you, I'm going to,
in this case, transfer it --
in this case, transfer it --
251
738518
3553
usou-se apenas o Photoshop,
sem qualquer modelagem...
sem qualquer modelagem...
12:34
and this is nothing more
than Photoshop, no modeling --
than Photoshop, no modeling --
252
742095
2765
a barba para o sujeito.
12:36
the beard on the subject.
253
744884
1713
E imediatamente nós temos
uma percepção muito, muito melhor.
uma percepção muito, muito melhor.
12:38
And immediately, we get
much, much better in the feeling.
much, much better in the feeling.
254
746621
3472
12:42
So, why do we do this?
255
750955
2709
Por que agimos assim?
12:47
We certainly don't do it
for predicting height
for predicting height
256
755938
5140
Certamente não o fazemos
para prever a altura
para prever a altura
ou obter uma bonita imagem
a partir do sangue.
a partir do sangue.
12:53
or taking a beautiful picture
out of your blood.
out of your blood.
257
761102
2372
12:56
We do it because the same technology
and the same approach,
and the same approach,
258
764390
4018
O fazemos porque a mesma
tecnologia e a mesma abordagem,
tecnologia e a mesma abordagem,
a aprendizagem de máquina deste código,
13:00
the machine learning of this code,
259
768432
2520
nos ajudam a entender como funcionamos,
13:02
is helping us to understand how we work,
260
770976
3137
como o corpo funciona,
13:06
how your body works,
261
774137
1486
como o corpo envelhece,
13:07
how your body ages,
262
775647
1665
como as doenças surgem no organismo,
13:09
how disease generates in your body,
263
777336
2769
como o câncer cresce e se desenvolve,
13:12
how your cancer grows and develops,
264
780129
2972
como as drogas agem,
13:15
how drugs work
265
783125
1783
e se elas atuam em nosso corpo.
13:16
and if they work on your body.
266
784932
2314
13:19
This is a huge challenge.
267
787713
1667
Este é um grande desafio.
É um desafio para todos nós
13:21
This is a challenge that we share
268
789894
1638
e milhares de outros
pesquisadores no mundo inteiro.
pesquisadores no mundo inteiro.
13:23
with thousands of other
researchers around the world.
researchers around the world.
269
791556
2579
É a chamada medicina personalizada.
13:26
It's called personalized medicine.
270
794159
2222
13:29
It's the ability to move
from a statistical approach
from a statistical approach
271
797125
3460
É a capacidade de trocar
uma abordagem estatística,
uma abordagem estatística,
na qual somos uma gota no oceano,
13:32
where you're a dot in the ocean,
272
800609
2032
por uma abordagem personalizada,
13:34
to a personalized approach,
273
802665
1813
na qual lemos todos estes livros
13:36
where we read all these books
274
804502
2185
e conseguirmos uma compreensão
de quem somos exatamente.
de quem somos exatamente.
13:38
and we get an understanding
of exactly how you are.
of exactly how you are.
275
806711
2864
13:42
But it is a particularly
complicated challenge,
complicated challenge,
276
810260
3362
Mas é um desafio
particularmente complicado,
particularmente complicado,
porque hoje, de todos esses livros,
13:45
because of all these books, as of today,
277
813646
3998
é provável que conheçamos apenas 2%:
13:49
we just know probably two percent:
278
817668
2642
13:53
four books of more than 175.
279
821027
3653
4 livros em mais de 175.
13:58
And this is not the topic of my talk,
280
826021
3206
E este não é o foco da minha palestra,
14:02
because we will learn more.
281
830145
2598
porque aprenderemos mais.
14:05
There are the best minds
in the world on this topic.
in the world on this topic.
282
833378
2669
As melhores cabeças do mundo
estudam este problema.
estudam este problema.
14:09
The prediction will get better,
283
837048
1834
A previsão será aperfeiçoada,
o modelo ficará mais preciso.
14:10
the model will get more precise.
284
838906
2253
E quanto mais aprendermos,
14:13
And the more we learn,
285
841183
1858
mais seremos confrontados com decisões
14:15
the more we will
be confronted with decisions
be confronted with decisions
286
843065
4830
que nunca antes tivemos que encarar
14:19
that we never had to face before
287
847919
3021
sobre a vida, sobre a morte,
14:22
about life,
288
850964
1435
14:24
about death,
289
852423
1674
sobre a criação de filhos.
14:26
about parenting.
290
854121
1603
14:32
So, we are touching the very
inner detail on how life works.
inner detail on how life works.
291
860626
4746
Estamos lidando com os detalhes
recônditos de como a vida funciona.
recônditos de como a vida funciona.
14:38
And it's a revolution
that cannot be confined
that cannot be confined
292
866118
3158
É uma revolução que não pode se limitar
ao domínio da ciência ou da tecnologia.
14:41
in the domain of science or technology.
293
869300
2659
14:44
This must be a global conversation.
294
872960
2244
Deve haver um debate global.
14:47
We must start to think of the future
we're building as a humanity.
we're building as a humanity.
295
875798
5217
Devemos pensar o futuro que estamos
construindo para a humanidade.
construindo para a humanidade.
Precisamos interagir
com pessoas criativas,
com pessoas criativas,
14:53
We need to interact with creatives,
with artists, with philosophers,
with artists, with philosophers,
296
881039
4064
com artistas, com filósofos
14:57
with politicians.
297
885127
1510
com políticos.
Todos estão envolvidos,
14:58
Everyone is involved,
298
886661
1158
porque é o futuro da nossa espécie.
14:59
because it's the future of our species.
299
887843
2825
15:03
Without fear, but with the understanding
300
891273
3968
Sem temor, mas com a compreensão
de que as decisões
que tomaremos no próximo ano
que tomaremos no próximo ano
15:07
that the decisions
that we make in the next year
that we make in the next year
301
895265
3871
mudarão o curso da história para sempre.
15:11
will change the course of history forever.
302
899160
3789
15:15
Thank you.
303
903732
1160
Obrigado.
(Aplausos)
15:16
(Applause)
304
904916
10159
ABOUT THE SPEAKER
Riccardo Sabatini - Scientist, entrepreneurRiccardo 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.
Riccardo Sabatini | Speaker | TED.com