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 está tudo escrito no genoma humano, o conjunto completo de instruções genéticas necessárias para construir um ser humano. Como o cientista e empreendedor Riccardo Sabatini nos mostra, nós temos o poder de ler esse código complexo, prevendo coisas como a altura, a cor dos olhos, a idade e até mesmo a estrutura facial — tudo a partir de um tubo de coleta de sangue. Em breve, diz Sabatini, a nossa nova compreensão do genoma vai permitir-nos personalizar tratamentos para doenças como o cancro. Temos o poder de mudar a vida tal como a conhecemos. Como vamos usar esse 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
Durante os próximos 16 minutos,
vou levá-los numa viagem
vou levá-los numa viagem
00:15
that is probably
the biggest dream of humanity:
the biggest dream of humanity:
1
3398
3086
que é provavelmente
o maior sonho da Humanidade:
o maior sonho da Humanidade:
00:18
to understand the code of life.
2
6508
2015
compreender o código da vida.
00:21
So for me, everything started
many, many years ago
many, many years ago
3
9072
2743
Para mim, tudo começou há muitos anos,
00:23
when I met the first 3D printer.
4
11839
2723
quando vi a primeira impressora 3D.
00:26
The concept was fascinating.
5
14586
1674
O conceito era fascinante.
00:28
A 3D printer needs three elements:
6
16284
2022
Uma impressora 3D
precisa de três elementos:
precisa de três elementos:
00:30
a bit of information, some
raw material, some energy,
raw material, some energy,
7
18330
4134
um pouco de informação,
matéria-prima, energia,
matéria-prima, energia,
00:34
and it can produce any object
that was not there before.
that was not there before.
8
22488
3334
e pode produzir qualquer objeto
que não existia antes.
que não existia antes.
00:38
I was doing physics,
I was coming back home
I was coming back home
9
26517
2137
Eu andava a estudar Física.
Ia de regresso a casa quando me apercebi
que sempre conhecera uma impressora 3D.
que sempre conhecera uma impressora 3D.
00:40
and I realized that I actually
always knew a 3D printer.
always knew a 3D printer.
10
28678
3438
Toda a gente também conhece.
00:44
And everyone does.
11
32140
1336
00:45
It was my mom.
12
33500
1158
Era a minha mãe.
00:46
(Laughter)
13
34682
1001
(Risos)
00:47
My mom takes three elements:
14
35707
2414
A minha mãe agarra em três elementos:
um pouco de informação
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
que, neste caso, é partilhada
pelo meu pai e pela minha mãe,
pelo meu pai e pela minha mãe,
00:54
raw elements and energy
in the same media, that is food,
in the same media, that is food,
16
42142
4157
matéria-prima e energia
no mesmo meio, isto é, comida,
no mesmo meio, isto é, comida,
00:58
and after several months, produces me.
17
46323
2508
e após vários meses, produz-me.
01:00
And I was not existent before.
18
48855
1812
Eu não existia antes.
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
Para além do choque de descobrir
que a minha mãe é uma impressora 3D,
que a minha mãe é uma impressora 3D,
01:06
I immediately got mesmerized
by that piece,
by that piece,
20
54477
4738
fiquei imediatamente
hipnotizado por aquele elemento,
hipnotizado por aquele elemento,
01:11
the first one, the information.
21
59239
1717
o primeiro, a informação.
01:12
What amount of information does it take
22
60980
2251
Que quantidade de informações
será precisa
será precisa
01:15
to build and assemble a human?
23
63255
1936
para construir e montar um ser humano?
01:17
Is it much? Is it little?
24
65215
1574
Será muita? Será pouca?
01:18
How many thumb drives can you fill?
25
66813
2180
Quantas "pen drives" podemos encher?
01:21
Well, I was studying physics
at the beginning
at the beginning
26
69017
2624
Eu estava a estudar Física,
no início,
no início,
01:23
and I took this approximation of a human
as a gigantic Lego piece.
as a gigantic Lego piece.
27
71665
5597
e imaginei uma aproximação humana
como uma construção gigante de Lego.
como uma construção gigante de Lego.
01:29
So, imagine that the building
blocks are little atoms
blocks are little atoms
28
77286
3785
Imaginem que os blocos Lego
são pequenos átomos
são pequenos átomos
01:33
and there is a hydrogen here,
a carbon here, a nitrogen here.
a carbon here, a nitrogen here.
29
81095
4653
e que há um átomo de hidrogénio aqui,
um de carbono ali, um de azoto acolá.
um de carbono ali, um de azoto acolá.
01:37
So in the first approximation,
30
85772
1571
Assim, na primeira aproximação,
01:39
if I can list the number of atoms
that compose a human being,
that compose a human being,
31
87367
4343
se eu puder listar o número de átomos
que compõem um ser humano,
que compõem um ser humano,
01:43
I can build it.
32
91734
1387
posso construí-lo.
01:45
Now, you can run some numbers
33
93145
2029
Podemos fazer alguns cálculos
01:47
and that happens to be
quite an astonishing number.
quite an astonishing number.
34
95198
3277
e o resultado é um número astronómico.
01:50
So the number of atoms,
35
98499
2757
O número de átomos,
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
o ficheiro que vou guardar na minha
"pen drive", para montar um bebé,
"pen drive", para montar um bebé,
01:58
will actually fill an entire Titanic
of thumb drives --
of thumb drives --
37
106059
4667
vai encher um Titanic inteiro
de "pen drives",
de "pen drives",
02:02
multiplied 2,000 times.
38
110750
2718
multiplicado por dois mil.
02:05
This is the miracle of life.
39
113957
3401
É este o milagre da vida.
02:09
Every time you see from now on
a pregnant lady,
a pregnant lady,
40
117382
2612
Cada vez que virmos uma mulher grávida,
02:12
she's assembling the biggest
amount of information
amount of information
41
120018
2856
ela está a reunir a maior
quantidade de informações
quantidade de informações
02:14
that you will ever encounter.
42
122898
1556
que jamais iremos encontrar.
02:16
Forget big data, forget
anything you heard of.
anything you heard of.
43
124478
2950
Esqueçam os megadados,
esqueçam tudo o que ouviram dizer.
esqueçam tudo o que ouviram dizer.
02:19
This is the biggest amount
of information that exists.
of information that exists.
44
127452
2881
Esta é a maior quantidade
de informações que existe.
de informações que existe.
02:22
(Applause)
45
130357
3833
(Aplausos)
02:26
But nature, fortunately, is much smarter
than a young physicist,
than a young physicist,
46
134214
4644
Mas, felizmente, a Natureza é muito mais
inteligente que um jovem físico,
inteligente que um jovem físico,
02:30
and in four billion years, managed
to pack this information
to pack this information
47
138882
3576
e em quatro mil milhões de anos,
conseguiu embalar estas informações
conseguiu embalar estas informações
02:34
in a small crystal we call DNA.
48
142482
2705
num pequeno cristal chamado ADN.
02:37
We met it for the first time in 1950
when Rosalind Franklin,
when Rosalind Franklin,
49
145605
4312
Encontrámo-lo pela primeira vez
em 1950, quando Rosalind Franklin,
em 1950, quando Rosalind Franklin,
02:41
an amazing scientist, a woman,
50
149941
1556
uma cientista incrível,
02:43
took a picture of it.
51
151521
1389
lhe tirou uma fotografia.
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
Mas demorou-nos mais de 40 anos
até se analisar uma célula humana,
até se analisar uma célula humana,
02:50
take out this crystal,
53
158146
1602
extrair esse cristal,
02:51
unroll it, and read it for the first time.
54
159772
3080
desenrolá-lo e lê-lo pela primeira vez.
02:55
The code comes out to be
a fairly simple alphabet,
a fairly simple alphabet,
55
163615
3241
O código vem a ser
um alfabeto bastante simples,
um alfabeto bastante simples,
02:58
four letters: A, T, C and G.
56
166880
3772
de quatro letras: A, T, C e G.
03:02
And to build a human,
you need three billion of them.
you need three billion of them.
57
170676
3490
Para construir um ser humano,
precisamos de três mil milhões de letras.
precisamos de três mil milhões de letras.
03:06
Three billion.
58
174933
1179
Três mil milhões!
03:08
How many are three billion?
59
176136
1579
Quanto é três mil milhões?
03:09
It doesn't really make
any sense as a number, right?
any sense as a number, right?
60
177739
2762
É um número que não faz sentido, não é?
03:12
So I was thinking how
I could explain myself better
I could explain myself better
61
180525
4085
Então comecei a pensar como
podia explicar melhor
podia explicar melhor
03:16
about how big and enormous this code is.
62
184634
3050
sobre a grandeza e a enormidade
deste código.
deste código.
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 para isso, vou precisar de 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
03:26
is actually the first man
to sequence it, Dr. Craig Venter.
to sequence it, Dr. Craig Venter.
65
194037
3522
é o primeiro homem que o sequenciou,
o Dr. Craig Venter.
o Dr. Craig Venter.
03:29
So welcome onstage, Dr. Craig Venter.
66
197583
3390
Bem-vindo ao palco, Dr. Craig Venter.
03:32
(Applause)
67
200997
6931
(Aplausos)
03:39
Not the man in the flesh,
68
207952
2256
Não é o homem em carne e osso
03:43
but for the first time in history,
69
211448
2345
mas, pela primeira vez na História,
03:45
this is the genome of a specific human,
70
213817
3462
este é o genoma
de um ser humano específico,
de um ser humano específico,
03:49
printed page-by-page, letter-by-letter:
71
217303
3760
impresso página a página,
letra a letra:
letra a letra:
03:53
262,000 pages of information,
72
221087
3996
262 000 páginas de informações,
03:57
450 kilograms, shipped
from the United States to Canada
from the United States to Canada
73
225107
4364
450 kg, enviado dos EUA para o Canadá,
04:01
thanks to Bruno Bowden,
Lulu.com, a start-up, did everything.
Lulu.com, a start-up, did everything.
74
229495
4843
graças a Bruno Bowden, Lulu.com,
uma "start-up", que fez tudo.
uma "start-up", que fez tudo.
04:06
It was an amazing feat.
75
234362
1463
Foi uma proeza incrível!
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
Mas esta é a perceção visual
do código da vida.
do código da vida.
04:12
And now, for the first time,
I can do something fun.
I can do something fun.
77
240170
2478
Agora, pela primeira vez,
posso fazer uma coisa divertida.
posso fazer uma coisa divertida.
04:14
I can actually poke inside it and read.
78
242672
2547
Posso introduzir-me dentro dele e ler.
04:17
So let me take an interesting
book ... like this one.
book ... like this one.
79
245243
4625
Vou escolher um livro interessante...
como este.
como este.
04:25
I have an annotation;
it's a fairly big book.
it's a fairly big book.
80
253077
2534
Tenho uma nota:
é um livro bastante grande.
é um livro bastante grande.
04:27
So just to let you see
what is the code of life.
what is the code of life.
81
255635
3727
Só para que possam ver
o que é o código da vida.
o que é o código da vida.
04:32
Thousands and thousands and thousands
82
260566
3391
Milhares e milhares e milhares
04:35
and millions of letters.
83
263981
2670
e milhões de letras.
04:38
And they apparently make sense.
84
266675
2396
Aparentemente, não fazem sentido.
04:41
Let's get to a specific part.
85
269095
1757
Vejamos uma parte específica.
04:43
Let me read it to you:
86
271571
1362
Eu vou lê-la.
04:44
(Laughter)
87
272957
1021
(Risos)
04:46
"AAG, AAT, ATA."
88
274002
4006
"AAG, AAT, ATA".
04:50
To you it sounds like mute letters,
89
278965
2067
Para vocês, soam a letras mudas,
04:53
but this sequence gives
the color of the eyes to Craig.
the color of the eyes to Craig.
90
281056
4041
mas é esta sequência
que dá a cor aos olhos de Craig.
que dá a cor aos olhos de Craig.
04:57
I'll show you another part of the book.
91
285633
1932
Vou mostrar outra passagem do livro.
04:59
This is actually a little
more complicated.
more complicated.
92
287589
2094
Esta é um pouco mais complicada.
05:02
Chromosome 14, book 132:
93
290983
2647
Cromossoma 14, livro 132.
05:05
(Laughter)
94
293654
2090
(Risos)
05:07
As you might expect.
95
295768
1277
Conforme era de esperar...
05:09
(Laughter)
96
297069
3466
(Risos)
05:14
"ATT, CTT, GATT."
97
302857
4507
"ATT, CTT, GATT".
05:20
This human is lucky,
98
308329
1687
Este humano tem sorte
05:22
because if you miss just
two letters in this position --
two letters in this position --
99
310040
4517
porque, se faltassem nesta posição
apenas duas letras
apenas duas letras
05:26
two letters of our three billion --
100
314581
1877
— duas letras entre três mil milhões —
05:28
he will be condemned
to a terrible disease:
to a terrible disease:
101
316482
2019
ele estaria condenado
a uma doença terrível,
a uma doença terrível,
05:30
cystic fibrosis.
102
318525
1440
a fibrose quística.
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
Não há cura para ela,
não sabemos como a tratar.
não sabemos como a tratar.
05:35
and it's just two letters
of difference from what we are.
of difference from what we are.
104
323426
3755
E são apenas duas letras
diferentes das que nós temos.
diferentes das que nós temos.
05:39
A wonderful book, a mighty book,
105
327585
2705
Um livro maravilhoso,
um livro poderoso,
um livro poderoso,
05:43
a mighty book that helped me understand
106
331115
1998
um livro poderoso
que me ajudou a perceber
que me ajudou a perceber
05:45
and show you something quite remarkable.
107
333137
2753
e a mostrar-vos uma coisa extraordinária.
05:48
Every one of you -- what makes
me, me and you, you --
me, me and you, you --
108
336480
4435
Cada um de vós
— ou seja, eu e vocês —
— ou seja, eu e vocês —
05:52
is just about five million of these,
109
340939
2954
não passa de cinco milhões disto,
05:55
half a book.
110
343917
1228
metade de um livro.
05:58
For the rest,
111
346015
1663
Quanto ao resto,
05:59
we are all absolutely identical.
112
347702
2562
somos todos absolutamente idênticos.
06:03
Five hundred pages
is the miracle of life that you are.
is the miracle of life that you are.
113
351008
4018
Quinhentas páginas
é o milagre da vida que somos.
é o milagre da vida que somos.
06:07
The rest, we all share it.
114
355050
2531
O resto é partilhado por todos.
06:09
So think about that again
when we think that we are different.
when we think that we are different.
115
357605
2909
Pensem nisso outra vez,
quando pensarem que somos diferentes.
quando pensarem que somos diferentes.
06:12
This is the amount that we share.
116
360538
2221
É esta a quantidade que partilhamos.
06:15
So now that I have your attention,
117
363441
3429
Agora que conquistei a vossa atenção,
06:18
the next question is:
118
366894
1359
a pergunta seguinte é:
06:20
How do I read it?
119
368277
1151
Como é que o lemos?
Como é que o compreendemos?
Como é que o compreendemos?
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
Por melhores que vocês sejam
a montar móveis suecos,
a montar móveis suecos,
06:27
this instruction manual
is nothing you can crack in your life.
is nothing you can crack in your life.
122
375673
3563
nunca na vida poderão decifrar
este manual de instruções.
este manual de instruções.
06:31
(Laughter)
123
379260
1603
(Risos)
06:32
And so, in 2014, two famous TEDsters,
124
380887
3112
Em 2014, dois conhecidos oradores TED,
06:36
Peter Diamandis and Craig Venter himself,
125
384023
2540
Peter Diamandis e o próprio Craig Venter,
06:38
decided to assemble a new company.
126
386587
1927
decidiram fundar uma nova empresa.
06:40
Human Longevity was born,
127
388538
1412
Assim nasceu a Human Longevity,
com uma missão:
com uma missão:
06:41
with one mission:
128
389974
1370
06:43
trying everything we can try
129
391368
1861
tentar tudo o que fosse possível
06:45
and learning everything
we can learn from these books,
we can learn from these books,
130
393253
2759
e aprender tudo o que
se pode aprender nestes livros,
se pode aprender nestes livros,
06:48
with one target --
131
396036
1705
com um objetivo,
06:50
making real the dream
of personalized medicine,
of personalized medicine,
132
398862
2801
tornar real o sonho
da medicina personalizada,
da medicina personalizada,
06:53
understanding what things
should be done to have better health
should be done to have better health
133
401687
3767
perceber que coisas se devem fazer
para ter melhor saúde
para ter melhor saúde
06:57
and what are the secrets in these books.
134
405478
2283
e quais são os segredos nestes livros.
07:00
An amazing team, 40 data scientists
and many, many more people,
and many, many more people,
135
408329
4250
Uma equipa fantástica, de 40 cientistas
de dados e muitas mais pessoas,
de dados e muitas mais pessoas,
07:04
a pleasure to work with.
136
412603
1350
com quem foi um prazer trabalhar.
07:05
The concept is actually very simple.
137
413977
2253
O conceito é muito simples.
07:08
We're going to use a technology
called machine learning.
called machine learning.
138
416254
3158
Vamos usar uma tecnologia
chamada "aprendizagem automática".
chamada "aprendizagem automática".
07:11
On one side, we have genomes --
thousands of them.
thousands of them.
139
419436
4539
Por um lado, temos genomas,
milhares de genomas.
milhares de genomas.
07:15
On the other side, we collected
the biggest database of human beings:
the biggest database of human beings:
140
423999
3997
Por outro lado, reunimos
a maior base de dados dos seres humanos:
a maior base de dados dos seres humanos:
07:20
phenotypes, 3D scan, NMR --
everything you can think of.
everything you can think of.
141
428020
4296
os fenótipos, a digitalização 3D, a RMN,
tudo aquilo em que possam pensar.
tudo aquilo em que possam pensar.
07:24
Inside there, on these two opposite sides,
142
432340
2899
Lá dentro, nestes dois lados opostos,
07:27
there is the secret of translation.
143
435263
2442
está o segredo da tradução.
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 uma máquina
e treinamos uma máquina
e treinamos uma máquina
07:35
well, not exactly one machine,
many, many machines --
many, many machines --
146
443210
3210
— não exatamente uma máquina,
muitas e muitas máquinas —
muitas e muitas máquinas —
07:38
to try to understand and translate
the genome in a phenotype.
the genome in a phenotype.
147
446444
4544
para tentar compreender e traduzir
o genoma num fenótipo.
o genoma num fenótipo.
07:43
What are those letters,
and what do they do?
and what do they do?
148
451362
3340
O que são essas letras
e o que é que elas fazem?
e o que é 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,
que pode ser usada para tudo,
07:49
but using it in genomics
is particularly complicated.
is particularly complicated.
150
457497
2993
mas usá-la nos genomas
é especialmente complicado.
é especialmente complicado.
07:52
Little by little we grew and we wanted
to build different challenges.
to build different challenges.
151
460514
3276
Pouco a pouco, evoluímos e
quisemos montar desafios diferentes.
quisemos montar desafios diferentes.
07:55
We started from the beginning,
from common traits.
from common traits.
152
463814
2732
Começámos pelo princípio,
pelas características comuns.
pelas características comuns.
As características comuns são confortáveis
porque são comuns,
porque são comuns,
07:58
Common traits are comfortable
because they are common,
because they are common,
153
466570
2603
08:01
everyone has them.
154
469197
1184
toda a gente as tem.
08:02
So we started to ask our questions:
155
470405
2494
Assim, começámos a perguntar:
08:04
Can we predict height?
156
472923
1380
Podemos prever a altura?
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 vossa altura?
e prever a vossa altura?
08:09
Well, we actually can,
158
477186
1151
Sim, podemos sim,
com cinco centímetros de precisão.
com cinco centímetros de precisão.
08:10
with five centimeters of precision.
159
478361
1793
08:12
BMI is fairly connected to your lifestyle,
160
480178
3135
O Índice de Massa Corporal
está muito ligado ao vosso estilo de vida,
está muito ligado ao vosso estilo de vida,
08:15
but we still can, we get in the ballpark,
eight kilograms of precision.
eight kilograms of precision.
161
483337
3864
mas ainda podemos estimar
com oito quilos de precisão.
com oito quilos de precisão.
08:19
Can we predict eye color?
162
487225
1231
Podemos prever a cor dos olhos?
08:20
Yeah, we can.
163
488480
1158
Sim, podemos, com 80% de precisão.
08:21
Eighty percent accuracy.
164
489662
1324
08:23
Can we predict skin color?
165
491466
1858
Podemos prever a cor da pele?
08:25
Yeah we can, 80 percent accuracy.
166
493348
2441
Sim, podemos, com 80% de precisão.
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, segundo parece,
o código muda durante a vida.
o código muda durante a vida.
08:33
It gets shorter, you lose pieces,
it gets insertions.
it gets insertions.
169
501884
3282
Fica mais curto, perdemos peças,
fica com inserções.
fica com inserções.
08:37
We read the signals, and we make a model.
170
505190
2555
Lemos os sinais, e fazemos um modelo.
08:40
Now, an interesting challenge:
171
508438
1475
Agora, um problema interessante.
08:41
Can we predict a human face?
172
509937
1729
Podemos prever uma cara humana?
08:45
It's a little complicated,
173
513014
1278
É um pouco complicado,
08:46
because a human face is scattered
among millions of these letters.
among millions of these letters.
174
514316
3191
porque uma cara humana está espalhada
entre milhões destas letras.
entre milhões destas letras.
08:49
And a human face is not
a very well-defined object.
a very well-defined object.
175
517531
2629
E uma cara humana não é
um objeto muito bem definido.
um objeto muito bem definido.
08:52
So, we had to build an entire tier of it
176
520184
2051
Portanto, tivemos que construir
toda uma camada
toda uma camada
08:54
to learn and teach
a machine what a face is,
a machine what a face is,
177
522259
2710
para aprender e ensinar
a uma máquina o que é uma cara,
a uma máquina o que é uma cara,
08:56
and embed and compress it.
178
524993
2037
embuti-la e comprimi-la.
Se estão à vontade
com a "aprendizagem automática"
com a "aprendizagem automática"
08:59
And if you're comfortable
with machine learning,
with machine learning,
179
527054
2248
09:01
you understand what the challenge is here.
180
529326
2284
percebem qual é aqui o problema.
09:04
Now, after 15 years -- 15 years after
we read the first sequence --
we read the first sequence --
181
532108
5991
Ao fim de 15 anos — 15 anos depois
de lermos a primeira sequência —
de lermos a primeira sequência —
09:10
this October, we started
to see some signals.
to see some signals.
182
538123
2902
este outubro, começámos
a ver alguns sinais.
a ver alguns sinais.
09:13
And it was a very emotional moment.
183
541049
2455
Foi um momento muito emotivo.
09:15
What you see here is a subject
coming in our lab.
coming in our lab.
184
543528
3745
Estão a ver aqui um sujeito
que entrou no nosso laboratório.
que entrou no nosso laboratório.
09:19
This is a face for us.
185
547619
1928
Para nós, isto é uma cara.
09:21
So we take the real face of a subject,
we reduce the complexity,
we reduce the complexity,
186
549571
3631
Agarramos na cara de um sujeito,
reduzimos-lhe a complexidade,
reduzimos-lhe a complexidade,
09:25
because not everything is in your face --
187
553226
1970
porque nem tudo está na nossa cara
09:27
lots of features and defects
and asymmetries come from your life.
and asymmetries come from your life.
188
555220
3786
— muitas das características e defeitos
e assimetrias são produto da nossa vida.
e assimetrias são produto da nossa vida.
09:31
We symmetrize the face,
and we run our algorithm.
and we run our algorithm.
189
559030
3469
Tornamos a cara simétrica
e fazemos correr o algoritmo.
e fazemos correr o algoritmo.
09:35
The results that I show you right now,
190
563245
1898
O resultado que vos mostro agora,
09:37
this is the prediction we have
from the blood.
from the blood.
191
565167
3372
é a previsão que temos
a partir do sangue.
a partir do sangue.
09:41
(Applause)
192
569596
1524
(Aplausos)
09:43
Wait a second.
193
571144
1435
Esperem um pouco.
09:44
In these seconds, your eyes are watching,
left and right, left and right,
left and right, left and right,
194
572603
4692
Nestes segundos, os vossos olhos
estão a ver, à esquerda e à direita,
estão a ver, à esquerda e à direita,
09:49
and your brain wants
those pictures to be identical.
those pictures to be identical.
195
577319
3930
e o vosso cérebro quer
que estas imagens sejam idênticas.
que estas imagens sejam idênticas.
Por isso, peço-vos para fazerem
outro exercício, sejam honestos.
outro exercício, sejam honestos.
09:53
So I ask you to do
another exercise, to be honest.
another exercise, to be honest.
196
581273
2446
09:55
Please search for the differences,
197
583743
2287
Procurem as diferenças
que são muitas.
que são muitas.
09:58
which are many.
198
586054
1361
09:59
The biggest amount of signal
comes from gender,
comes from gender,
199
587439
2603
A maior quantidade de sinal
provém do sexo,
provém do sexo,
10:02
then there is age, BMI,
the ethnicity component of a human.
the ethnicity component of a human.
200
590066
5201
depois há a idade, o IMC,
a componente étnica dum ser humano.
a componente étnica dum ser humano.
10:07
And scaling up over that signal
is much more complicated.
is much more complicated.
201
595291
3711
Aumentar esse sinal
é muito mais complicado.
é muito mais complicado.
10:11
But what you see here,
even in the differences,
even in the differences,
202
599026
3250
Mas o que aqui vemos,
mesmo nas diferenças,
mesmo nas diferenças,
10:14
lets you understand
that we are in the right ballpark,
that we are in the right ballpark,
203
602300
3595
permite-nos perceber
que estamos no campo certo,
que estamos no campo certo,
que estamos a aproximar-nos.
10:17
that we are getting closer.
204
605919
1348
10:19
And it's already giving you some emotions.
205
607291
2349
E já vos está a dar alguma emoção.
10:21
This is another subject
that comes in place,
that comes in place,
206
609664
2703
Este é outro sujeito que aparece
10:24
and this is a prediction.
207
612391
1409
e este é uma previsão.
10:25
A little smaller face, we didn't get
the complete cranial structure,
the complete cranial structure,
208
613824
4596
Uma cara um pouco mais pequena,
não temos a estrutura craniana completa,
não temos a estrutura craniana completa,
10:30
but still, it's in the ballpark.
209
618444
2651
mesmo assim, está dentro da previsão.
10:33
This is a subject that comes in our lab,
210
621634
2224
Este é um sujeito que entrou
no nosso laboratório,
no nosso laboratório,
10:35
and this is the prediction.
211
623882
1443
e esta é a previsão.
10:38
So these people have never been seen
in the training of the machine.
in the training of the machine.
212
626056
4676
Estas pessoas nunca foram vistas
durante o treino da máquina.
durante o treino da máquina.
10:42
These are the so-called "held-out" set.
213
630756
2837
São aquilo a que se chama
"grupos externos".
"grupos externos".
10:45
But these are people that you will
probably never believe.
probably never believe.
214
633617
3740
Mas são pessoas que, provavelmente,
vocês não acreditariam que existiam.
vocês não acreditariam que existiam.
10:49
We're publishing everything
in a scientific publication,
in a scientific publication,
215
637381
2676
Estamos a publicar tudo
numa publicação científica,
numa publicação científica,
10:52
you can read it.
216
640081
1151
podem lê-la.
10:53
But since we are onstage,
Chris challenged me.
Chris challenged me.
217
641256
2344
Mas, como estamos no palco,
Chris desafiou-me.
Chris desafiou-me.
10:55
I probably exposed myself
and tried to predict
and tried to predict
218
643624
3626
Provavelmente vou expor-me
e tentar prever alguém
e tentar prever alguém
10:59
someone that you might recognize.
219
647274
2831
que vocês podem reconhecer.
Portanto, neste tubo de coleta de sangue
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
— vocês não fazem ideia do que tivemos
que fazer para arranjar este sangue —
que fazer para arranjar este sangue —
11:06
what we had to do to have
this blood now, here --
this blood now, here --
221
654919
2880
neste tubo de coleta de sangue está
a quantidade de informações biológicas
a quantidade de informações biológicas
11:09
in this vial of blood is the amount
of biological information
of biological information
222
657823
3901
11:13
that we need to do a full genome sequence.
223
661748
2277
de que precisamos, para fazer
uma sequência de genoma completa.
uma sequência de genoma completa.
11:16
We just need this amount.
224
664049
2070
Só precisamos desta quantidade.
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 correr esta sequência
e vou fazê-lo convosco.
e vou fazê-lo convosco.
11:21
And we start to layer up
all the understanding we have.
all the understanding we have.
226
669757
3979
Começamos por utilizar
todos os conhecimentos que temos.
todos os conhecimentos que temos.
Com o tubo de coleta 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
11:29
And the subject is a male.
228
677134
1364
E o sujeito é um homem.
11:30
We predict that he's a meter and 76 cm.
229
678996
2438
Previmos que tem 1,76 m de altura.
11:33
The subject is a meter and 77 cm.
230
681458
2392
O sujeito tem 1,77 cm de altura.
11:35
So, we predicted that he's 76;
the subject is 82.
the subject is 82.
231
683874
4110
Previmos que pesa 76 kg
e o sujeito pesa 82.
e o sujeito pesa 82.
11:40
We predict his age, 38.
232
688701
2632
Previmos que tem 38 anos.
11:43
The subject is 35.
233
691357
1904
O sujeito tem 35 anos.
11:45
We predict his eye color.
234
693851
2124
Previmos a cor dos olhos:
11:48
Too dark.
235
696824
1211
Muito escuros.
11:50
We predict his skin color.
236
698059
1555
Previmos a cor da pele.
11:52
We are almost there.
237
700026
1410
Estamos quase lá.
11:53
That's his face.
238
701899
1373
Esta é a cara dele.
11:57
Now, the reveal moment:
239
705172
3269
Agora, o momento da revelação:
12:00
the subject is this person.
240
708465
1770
o sujeito é esta pessoa.
12:02
(Laughter)
241
710259
1935
(Risos)
12:04
And I did it intentionally.
242
712218
2058
Fi-lo intencionalmente.
12:06
I am a very particular
and peculiar ethnicity.
and peculiar ethnicity.
243
714300
3692
Eu sou duma etnia
muito especial e peculiar.
muito especial e peculiar.
12:10
Southern European, Italians --
they never fit in models.
they never fit in models.
244
718016
2950
Os europeus do sul, os italianos
nunca encaixam nos modelos.
nunca encaixam nos modelos.
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
No nosso modelo,
a etnia é um caso complexo.
a etnia é um caso complexo.
12:18
But there is another point.
246
726144
1509
Mas há uma outra questão.
12:19
So, one of the things that we use
a lot to recognize people
a lot to recognize people
247
727677
3477
Uma das coisas que usamos muito
para reconhecer pessoas
para reconhecer pessoas
12:23
will never be written in the genome.
248
731178
1722
nunca estará escrita no genoma.
12:24
It's our free will, it's how I look.
249
732924
2317
É a nossa livre vontade,
como é o meu aspeto.
como é o meu aspeto.
12:27
Not my haircut in this case,
but my beard cut.
but my beard cut.
250
735265
3229
Não é o meu corte de cabelo, neste caso,
mas o corte da minha barba.
mas o corte da minha barba.
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
Vou mostrar-vos,
neste caso, transferi-la
neste caso, transferi-la
12:34
and this is nothing more
than Photoshop, no modeling --
than Photoshop, no modeling --
252
742095
2765
— e isto não é mais do que o Photoshop
não há aquilo modelos —
não há aquilo modelos —
12:36
the beard on the subject.
253
744884
1713
a barba do sujeito.
12:38
And immediately, we get
much, much better in the feeling.
much, much better in the feeling.
254
746621
3472
Imediatamente, temos uma sensação
muito melhor.
muito melhor.
12:42
So, why do we do this?
255
750955
2709
Porque é que fazemos isto?
12:47
We certainly don't do it
for predicting height
for predicting height
256
755938
5140
Claro que não o fazemos
para prever a altura,
para prever a altura,
12:53
or taking a beautiful picture
out of your blood.
out of your blood.
257
761102
2372
ou para obter uma bela imagem
a partir do nosso sangue.
a partir do nosso sangue.
12:56
We do it because the same technology
and the same approach,
and the same approach,
258
764390
4018
Fazemo-lo porque a mesma tecnologia
e a mesma abordagem,
e a mesma abordagem,
13:00
the machine learning of this code,
259
768432
2520
a aprendizagem da máquina
deste código,
deste código,
13:02
is helping us to understand how we work,
260
770976
3137
está a ajudar-nos a compreender
como funcionamos,
como funcionamos,
13:06
how your body works,
261
774137
1486
como funciona o nosso corpo,
13:07
how your body ages,
262
775647
1665
como o nosso corpo envelhece,
13:09
how disease generates in your body,
263
777336
2769
como as doenças se geram no nosso corpo,
13:12
how your cancer grows and develops,
264
780129
2972
como o cancro cresce e se desenvolve,
13:15
how drugs work
265
783125
1783
como funcionam os medicamentos
13:16
and if they work on your body.
266
784932
2314
e se funcionam no nosso corpo.
13:19
This is a huge challenge.
267
787713
1667
Isto é um desafio enorme.
13:21
This is a challenge that we share
268
789894
1638
Isto é um desafio que partilhamos
13:23
with thousands of other
researchers around the world.
researchers around the world.
269
791556
2579
com milhares de outros investigadores
pelo mundo inteiro.
pelo mundo inteiro.
13:26
It's called personalized medicine.
270
794159
2222
Chama-se medicina personalizada.
13:29
It's the ability to move
from a statistical approach
from a statistical approach
271
797125
3460
É a capacidade de passar
de uma abordagem padronizada
de uma abordagem padronizada
13:32
where you're a dot in the ocean,
272
800609
2032
em que somos um ponto no oceano,
13:34
to a personalized approach,
273
802665
1813
para uma abordagem personalizada,
13:36
where we read all these books
274
804502
2185
onde lemos todos estes livros
13:38
and we get an understanding
of exactly how you are.
of exactly how you are.
275
806711
2864
e obtemos a compreensão
de como somos, exatamente.
de como somos, exatamente.
13:42
But it is a particularly
complicated challenge,
complicated challenge,
276
810260
3362
Mas é um desafio
especialmente complicado,
especialmente complicado,
13:45
because of all these books, as of today,
277
813646
3998
porque de todos estes livros,
no momento atual,
no momento atual,
13:49
we just know probably two percent:
278
817668
2642
apenas conhecemos talvez 2%,
13:53
four books of more than 175.
279
821027
3653
quatro livros entre mais de 175.
13:58
And this is not the topic of my talk,
280
826021
3206
Não é este o tópico da minha palestra,
14:02
because we will learn more.
281
830145
2598
porque vamos aprender mais.
14:05
There are the best minds
in the world on this topic.
in the world on this topic.
282
833378
2669
Temos as melhores cabeças
no mundo neste tópico.
no mundo neste tópico.
14:09
The prediction will get better,
283
837048
1834
As previsões vão melhorar,
14:10
the model will get more precise.
284
838906
2253
o modelo vai ser mais preciso.
14:13
And the more we learn,
285
841183
1858
E quanto mais aprendermos
14:15
the more we will
be confronted with decisions
be confronted with decisions
286
843065
4830
mais seremos confrontados
com decisões
com decisões
14:19
that we never had to face before
287
847919
3021
que nunca tivemos que enfrentar
até agora,
até agora,
14:22
about life,
288
850964
1435
sobre a vida,
14:24
about death,
289
852423
1674
sobre a morte,
14:26
about parenting.
290
854121
1603
sobre a paternidade.
Nesta conversa,
14:32
So, we are touching the very
inner detail on how life works.
inner detail on how life works.
291
860626
4746
estamos a tocar no pormenor mais íntimo
de como a vida funciona.
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 se pode limitar
14:41
in the domain of science or technology.
293
869300
2659
ao domínio da ciência ou da tecnologia.
14:44
This must be a global conversation.
294
872960
2244
Tem que ser uma conversa 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
Precisamos de começar a pensar no futuro
que estamos a construir
enquanto Humanidade.
enquanto Humanidade.
14:53
We need to interact with creatives,
with artists, with philosophers,
with artists, with philosophers,
296
881039
4064
Precisamos de interagir
com pessoas criativas,
com pessoas criativas,
com artistas, com filósofos,
com políticos.
com políticos.
14:57
with politicians.
297
885127
1510
14:58
Everyone is involved,
298
886661
1158
Todos estão envolvidos,
14:59
because it's the future of our species.
299
887843
2825
porque trata-se do futuro
da nossa espécie.
da nossa espécie.
15:03
Without fear, but with the understanding
300
891273
3968
Sem medo, mas com a compreensão
15:07
that the decisions
that we make in the next year
that we make in the next year
301
895265
3871
de que as decisões
que tomarmos no próximo ano
que tomarmos no próximo ano
15:11
will change the course of history forever.
302
899160
3789
alterarão o curso da História para sempre.
15:15
Thank you.
303
903732
1160
Obrigado.
15:16
(Applause)
304
904916
10159
(Aplausos)
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