TED2003
Juan Enriquez: The life code that will reshape the future
Juan Enriquez: O código da vida que irá alterar o futuro
Filmed:
Readability: 3.4
831,634 views
As descobertas científicas, faz notar o futurista Juan Enriquez, exigem uma viragem no código, e a nossa capacidade para prosperar depende da nossa mestria desse código. Aqui, ele aplica essa noção à área da genómica.
Juan Enriquez - Futurist
Juan Enriquez thinks and writes about the profound changes that genomics and other life sciences will bring in business, technology, politics and society. Full bio
Juan Enriquez thinks and writes about the profound changes that genomics and other life sciences will bring in business, technology, politics and society. Full bio
Double-click the English transcript below to play the video.
Eu devia meter-vos medo
porque trata-se do medo, não é?
porque trata-se do medo, não é?
00:25
I'm supposed to scare you, because it's about fear, right?
0
1000
3000
E, na verdade, vocês deviam ter medo,
00:29
And you should be really afraid,
1
5000
2000
mas não pelas razões que julgam.
00:31
but not for the reasons why you think you should be.
2
7000
2000
Deviam mesmo ter medo
00:34
You should be really afraid that --
3
10000
2000
— vou pôr o primeiro diapositivo —
daquilo que estão a perder.
daquilo que estão a perder.
00:36
if we stick up the first slide on this thing -- there we go -- that you're missing out.
4
12000
4000
Porque, se passarem esta semana
a pensar no Iraque,
a pensar no Iraque,
00:42
Because if you spend this week thinking about Iraq and
5
18000
4000
a pensar no Bush e no mercado de ações.
00:46
thinking about Bush and thinking about the stock market,
6
22000
4000
vão perder uma das maiores aventuras
em que já nos metemos.
em que já nos metemos.
00:50
you're going to miss one of the greatest adventures that we've ever been on.
7
26000
2000
E trata-se mesmo de uma aventura.
00:53
And this is what this adventure's really about.
8
29000
2000
00:55
This is crystallized DNA.
9
31000
4000
Isto é ADN cristalizado.
Todas as formas de vida neste planeta
00:59
Every life form on this planet -- every insect, every bacteria, every plant,
10
35000
3000
— insetos, bactérias, plantas,
animais, seres humanos, políticos —
animais, seres humanos, políticos —
01:02
every animal, every human, every politician -- (Laughter)
11
38000
3000
(Risos)
estão codificados neste material.
01:07
is coded in that stuff.
12
43000
2000
Se agarrarem num só cristal de ADN,
ele tem este aspeto.
ele tem este aspeto.
01:09
And if you want to take a single crystal of DNA, it looks like that.
13
45000
4000
Estamos a começar
a compreender esta coisa.
a compreender esta coisa.
01:13
And we're just beginning to understand this stuff.
14
49000
2000
É a aventura mais excitante
em que já nos metemos.
em que já nos metemos.
01:16
And this is the single most exciting adventure that we have ever been on.
15
52000
3000
É o maior projeto de mapeamento
que já fizemos.
que já fizemos.
01:20
It's the single greatest mapping project we've ever been on.
16
56000
3000
Se acham que o mapeamento
da América foi importante,
da América foi importante,
01:23
If you think that the mapping of America's made a difference,
17
59000
2000
01:25
or landing on the moon, or this other stuff,
18
61000
3000
ou a aterragem na lua,
ou qualquer outra coisa,
ou qualquer outra coisa,
01:28
it's the map of ourselves and the map of every plant
19
64000
3000
é o mapa de nós mesmos,
e o mapa de cada planta,
e o mapa de cada planta,
de cada inseto, de cada bactéria
que é realmente importante.
que é realmente importante.
01:31
and every insect and every bacteria that really makes a difference.
20
67000
3000
01:34
And it's beginning to tell us a lot about evolution.
21
70000
3000
Está a começar a dizer-nos
muita coisa sobre a evolução.
muita coisa sobre a evolução.
(Risos)
01:39
(Laughter)
22
75000
4000
Acontece que esta coisa é
01:43
It turns out that what this stuff is --
23
79000
2000
01:45
and Richard Dawkins has written about this --
24
81000
2000
— Richard Dawkins escreveu sobre isso —
01:47
is, this is really a river out of Eden.
25
83000
2000
é, na verdade, um rio
que nasce no Paraíso.
que nasce no Paraíso.
01:49
So, the 3.2 billion base pairs inside each of your cells
26
85000
4000
Os 3200 milhões de pares de bases
dentro de cada uma das nossas células
dentro de cada uma das nossas células
são a história de por onde andámos
durante milhões de anos.
durante milhões de anos.
01:53
is really a history of where you've been for the past billion years.
27
89000
3000
Podemos começar a datar as coisas
01:56
And we could start dating things,
28
92000
1000
01:57
and we could start changing medicine and archeology.
29
93000
3000
e podemos começar a mudar
a medicina e a arqueologia.
a medicina e a arqueologia.
Acontece que, se olharmos
para a espécie humana há uns 700 anos,
para a espécie humana há uns 700 anos,
02:01
It turns out that if you take the human species about 700 years ago,
30
97000
3000
02:04
white Europeans diverged from black Africans in a very significant way.
31
100000
3000
os europeus brancos diferenciaram-se
dos africanos negros significativamente.
dos africanos negros significativamente.
02:07
White Europeans were subject to the plague.
32
103000
5000
Os europeus brancos
foram confrontados com a peste.
foram confrontados com a peste.
Quando tal aconteceu,
muita gente não sobreviveu,
muita gente não sobreviveu,
02:13
And when they were subject to the plague, most people didn't survive,
33
109000
3000
mas os que sobreviveram sofreram
uma mutação no recetor CCR5.
uma mutação no recetor CCR5.
02:16
but those who survived had a mutation on the CCR5 receptor.
34
112000
4000
02:20
And that mutation was passed on to their kids
35
116000
2000
Essa mutação passou para os filhos
porque só eles sobreviveram,
porque só eles sobreviveram,
02:22
because they're the ones that survived,
36
118000
2000
houve grande pressão sobre a população.
02:24
so there was a great deal of population pressure.
37
120000
2000
02:26
In Africa, because you didn't have these cities,
38
122000
2000
Em África, como não havia estas cidades,
02:28
you didn't have that CCR5 population pressure mutation.
39
124000
3000
não houve mutação do CCR5
para a pressão sobre a população.
para a pressão sobre a população.
02:31
We can date it to 700 years ago.
40
127000
3000
Podemos dizer
que isso aconteceu há 700 anos.
que isso aconteceu há 700 anos.
02:34
That is one of the reasons why AIDS is raging across Africa as fast as it is,
41
130000
4000
Esta é uma das razões por que a SIDA
grassa em África tão depressa
grassa em África tão depressa
02:38
and not as fast across Europe.
42
134000
4000
e não tão depressa na Europa.
02:42
And we're beginning to find these little things for malaria,
43
138000
3000
Estamos a começar a encontrar
pequenas coisas para a malária,
pequenas coisas para a malária,
02:45
for sickle cell, for cancers.
44
141000
3000
para as células falciformes,
para os cancros.
para os cancros.
O facto de desenharmos
o nosso mapa,
o nosso mapa,
02:49
And in the measure that we map ourselves,
45
145000
2000
é a maior aventura em que nos metemos.
02:51
this is the single greatest adventure that we'll ever be on.
46
147000
2000
Esta sexta-feira, abram
uma garrafa de vinho excelente
uma garrafa de vinho excelente
02:53
And this Friday, I want you to pull out a really good bottle of wine,
47
149000
4000
e brindem a estas duas pessoas.
02:57
and I want you to toast these two people.
48
153000
2000
Porque, sexta-feira, faz 50 anos
03:00
Because this Friday, 50 years ago, Watson and Crick found the structure of DNA,
49
156000
4000
que Watson e Crick descobriram
a estrutura do ADN.
a estrutura do ADN.
03:04
and that is almost as important a date
50
160000
3000
É uma data quase tão importante
03:07
as the 12th of February when we first mapped ourselves,
51
163000
3000
como o dia 12 de fevereiro,
quando fizemos o nosso primeiro mapa.
quando fizemos o nosso primeiro mapa.
03:10
but anyway, we'll get to that.
52
166000
2000
Mas já lá vamos.
Pensei falar do novo zoo.
03:12
I thought we'd talk about the new zoo.
53
168000
2000
03:14
So, all you guys have heard about DNA, all the stuff that DNA does,
54
170000
4000
Todos nós já ouvimos falar do ADN,
de tudo aquilo que o ADN faz
de tudo aquilo que o ADN faz
mas estamos a descobrir neste material
coisas sofisticadas.
coisas sofisticadas.
03:18
but some of the stuff we're discovering is kind of nifty
55
174000
3000
03:21
because this turns out to be the single most abundant species on the planet.
56
177000
5000
Isto é a espécie
mais abundante no planeta.
mais abundante no planeta.
Se pensam que estamos bem adaptados
ou que as baratas estão,
ou que as baratas estão,
03:26
If you think you're successful or cockroaches are successful,
57
182000
3000
acontece que há por aí
dez biliões de biliões de Pleurococcus
dez biliões de biliões de Pleurococcus
03:29
it turns out that there's ten trillion trillion Pleurococcus sitting out there.
58
185000
3000
03:32
And we didn't know that Pleurococcus was out there,
59
188000
3000
e nós não sabíamos
que existiam Pleurococcus,
que existiam Pleurococcus,
o que, em parte, explica
03:35
which is part of the reason
60
191000
1000
03:36
why this whole species-mapping project is so important.
61
192000
5000
porque é que este projeto de mapeamento
de espécies é tão importante.
de espécies é tão importante.
Porque estamos a começar a aprender
03:41
Because we're just beginning to learn
62
197000
2000
de onde viemos e o que é que somos.
03:43
where we came from and what we are.
63
199000
1000
Estamos a descobrir amebas como esta,
a Ameba Dubia.
a Ameba Dubia.
03:45
And we're finding amoebas like this. This is the amoeba dubia.
64
201000
3000
A Ameba Dubia não tem lá grande aspeto,
03:49
And the amoeba dubia doesn't look like much,
65
205000
2000
03:51
except that each of you has about 3.2 billion letters,
66
207000
3000
exceto que cada um de nós
tem cerca de 3200 milhões de letras,
tem cerca de 3200 milhões de letras,
03:54
which is what makes you you,
67
210000
2000
o que nos faz ser quem somos,
03:56
as far as gene code inside each of your cells,
68
212000
3000
segundo o código genético
dentro de cada uma das nossas células
dentro de cada uma das nossas células
03:59
and this little amoeba which, you know,
69
215000
3000
e esta pequena ameba que subsiste na água,
04:02
sits in water in hundreds and millions and billions,
70
218000
2000
às centenas, aos milhões
e milhares de milhões
e milhares de milhões
tem 620 mil milhões de pares de bases
de código genético lá dentro.
de código genético lá dentro.
04:05
turns out to have 620 billion base pairs of gene code inside.
71
221000
6000
04:11
So, this little thingamajig has a genome
72
227000
3000
Portanto, esta geringonça tem um genoma
duzentas vezes maior do que o nosso.
04:14
that's 200 times the size of yours.
73
230000
2000
Se estão a pensar em mecanismos
eficazes de armazenamento de informações,
eficazes de armazenamento de informações,
04:17
And if you're thinking of efficient information storage mechanisms,
74
233000
3000
poderá não ser um chip.
04:21
it may not turn out to be chips.
75
237000
2000
Poderá ser uma coisa que se pareça
um pouco como uma ameba.
um pouco como uma ameba.
04:24
It may turn out to be something that looks a little like that amoeba.
76
240000
4000
Repito, estamos a aprender
o que é a vida e como funciona a vida.
o que é a vida e como funciona a vida.
04:28
And, again, we're learning from life and how life works.
77
244000
4000
Esta coisinha engraçada.
04:32
This funky little thing: people didn't used to think
78
248000
4000
As pessoas estavam convencidas
que não valia a pena tirar amostras
dos reatores nucleares
dos reatores nucleares
04:36
that it was worth taking samples out of nuclear reactors
79
252000
3000
porque era perigoso e, claro,
nada vivia ali dentro.
nada vivia ali dentro.
04:39
because it was dangerous and, of course, nothing lived there.
80
255000
3000
Por fim, alguém agarrou num microscópio
04:42
And then finally somebody picked up a microscope
81
258000
3000
e observou a água que estava
mesmo ao pé do núcleo.
mesmo ao pé do núcleo.
04:45
and looked at the water that was sitting next to the cores.
82
261000
3000
Na água ao lado do núcleo dos reatores
04:48
And sitting next to that water in the cores
83
264000
2000
havia este Deinococcus radiodurans,
a nadar de costas,
a nadar de costas,
04:50
was this little Deinococcus radiodurans, doing a backstroke,
84
266000
3000
com os cromossomas
a dividirem-se todos os dias,
a dividirem-se todos os dias,
04:53
having its chromosomes blown apart every day,
85
269000
2000
seis, sete vezes, a recomporem-se,
04:55
six, seven times, restitching them,
86
271000
3000
a viver numa radiação 200 vezes maior
do que a que nos mataria.
do que a que nos mataria.
04:58
living in about 200 times the radiation that would kill you.
87
274000
2000
Já devem estar a perceber
até que ponto
até que ponto
05:01
And by now you should be getting a hint as to how diverse
88
277000
3000
a vida pode ser diversificada,
importante e interessante.
importante e interessante.
05:04
and how important and how interesting this journey into life is,
89
280000
2000
05:06
and how many different life forms there are,
90
282000
3000
quantas formas diferentes
de vida existem,
de vida existem,
e como pode haver
formas de vida diferentes
formas de vida diferentes
05:09
and how there can be different life forms living in
91
285000
3000
a viver em locais diferentes,
talvez mesmo fora deste planeta.
talvez mesmo fora deste planeta.
05:12
very different places, maybe even outside of this planet.
92
288000
3000
Porque, se é possível viver
numa radiação destas,
numa radiação destas,
05:16
Because if you can live in radiation that looks like this,
93
292000
2000
isso suscita toda uma série
de perguntas interessantes.
de perguntas interessantes.
05:18
that brings up a whole series of interesting questions.
94
294000
3000
Não sabíamos que esta geringonça existia.
05:22
This little thingamajig: we didn't know this thingamajig existed.
95
298000
3000
Devíamos saber que ela existia
05:26
We should have known that this existed
96
302000
2000
porque é a única bactéria
que podemos ver a olho nu.
que podemos ver a olho nu.
05:28
because this is the only bacteria that you can see to the naked eye.
97
304000
3000
05:31
So, this thing is 0.75 millimeters.
98
307000
3000
Esta coisa mede 0,75 milímetros.
Vive numa fossa profunda
ao largo da costa da Namíbia.
ao largo da costa da Namíbia.
05:34
It lives in a deep trench off the coast of Namibia.
99
310000
2000
Este namibiensis que estão a ver
05:37
And what you're looking at with this namibiensis
100
313000
2000
é a maior bactéria que já vimos.
05:39
is the biggest bacteria we've ever seen.
101
315000
2000
05:41
So, it's about the size of a little period on a sentence.
102
317000
3000
Tem o tamanho de um ponto numa frase.
Repito, não sabíamos que esta coisa
existia, até há três anos.
existia, até há três anos.
05:45
Again, we didn't know this thing was there three years ago.
103
321000
4000
Estamos a começar este percurso
da vida no novo zoo.
da vida no novo zoo.
05:49
We're just beginning this journey of life in the new zoo.
104
325000
3000
Esta é, de facto, muito esquisita.
É a Ferroplasma.
É a Ferroplasma.
05:53
This is a really odd one. This is Ferroplasma.
105
329000
3000
A Ferroplasma é interessante
porque come ferro,
porque come ferro,
05:57
The reason why Ferroplasma is interesting is because it eats iron,
106
333000
3000
vive dentro do equivalente
ao ácido de uma bateria,
ao ácido de uma bateria,
06:01
lives inside the equivalent of battery acid,
107
337000
3000
e segrega ácido sulfúrico.
06:05
and excretes sulfuric acid.
108
341000
2000
Quando pensamos
em formas de vida estranhas,
em formas de vida estranhas,
06:09
So, when you think of odd life forms,
109
345000
2000
06:11
when you think of what it takes to live,
110
347000
3000
quando pensamos
no que é preciso para viver,
no que é preciso para viver,
isto é uma forma de vida muito eficaz.
06:15
it turns out this is a very efficient life form,
111
351000
2000
Chama-se archae.
Archea significa "as antigas".
Archea significa "as antigas".
06:17
and they call it an archaea. Archaea means "the ancient ones."
112
353000
4000
São antigas porque esta coisa apareceu
06:21
And the reason why they're ancient is because this thing came up
113
357000
4000
quando este planeta estava coberto
06:25
when this planet was covered
114
361000
2000
com coisas como
o ácido sulfúrico das baterias
o ácido sulfúrico das baterias
06:27
by things like sulfuric acid in batteries,
115
363000
1000
06:28
and it was eating iron when the earth was part of a melted core.
116
364000
4000
e comia ferro quando a terra
fazia parte de um núcleo fundido.
fazia parte de um núcleo fundido.
Não são só os cães e os gatos,
as baleias e os golfinhos
as baleias e os golfinhos
06:33
So, it's not just dogs and cats and whales and dolphins
117
369000
4000
que devemos ter em conta
06:37
that you should be aware of and interested in on this little journey.
118
373000
4000
e serem do nosso interesse
neste pequeno percurso.
neste pequeno percurso.
O vosso medo devia ser não prestar atenção
a coisas que são temporais.
a coisas que são temporais.
06:41
Your fear should be that you are not,
119
377000
3000
06:44
that you're paying attention to stuff which is temporal.
120
380000
3000
George Bush há de desaparecer, não é?
06:47
I mean, George Bush -- he's going to be gone, alright? Life isn't.
121
383000
5000
A vida não.
Quer os seres humanos sobrevivam ou não,
06:53
Whether the humans survive or don't survive,
122
389000
3000
estas coisas continuarão a viver
neste planeta ou noutros planetas.
neste planeta ou noutros planetas.
06:56
these things are going to be living on this planet or other planets.
123
392000
3000
06:59
And it's just beginning to understand this code of DNA
124
395000
4000
Começar a compreender
este código do ADN
este código do ADN
é realmente a aventura intelectual
mais excitante
mais excitante
07:03
that's really the most exciting intellectual adventure
125
399000
3000
em que já nos metemos.
07:06
that we've ever been on.
126
402000
3000
Podemos fazer coisas estranhas
com esta coisa.
com esta coisa.
07:09
And you can do strange things with this stuff. This is a baby gar.
127
405000
4000
Este é um bisonte indiano bebé.
Os grupos de conservação reúnem-se.
07:13
Conservation group gets together,
128
409000
2000
07:15
tries to figure out how to breed an animal that's almost extinct.
129
411000
4000
tentam imaginar como criar um animal
que está quase extinto.
que está quase extinto.
Não o podem fazer por métodos naturais,
07:20
They can't do it naturally, so what they do with this thing is
130
416000
3000
por isso, agarram numa colher,
07:23
they take a spoon, take some cells out of an adult gar's mouth, code,
131
419000
5000
colhem células na boca
de um bisonte adulto,
de um bisonte adulto,
codificam,
agarram nas células e introduzem-nas
num ovo fertilizado de uma vaca,
num ovo fertilizado de uma vaca,
07:29
take the cells from that and insert it into a fertilized cow's egg,
132
425000
4000
reprogramam o ovo da vaca
— um código genético diferente.
— um código genético diferente.
07:34
reprogram cow's egg -- different gene code.
133
430000
3000
Depois, a vaca dá à luz um bisonte.
07:38
When you do that, the cow gives birth to a gar.
134
434000
4000
07:43
We are now experimenting with bongos, pandas, elims, Sumatran tigers,
135
439000
6000
Estamos a fazer estas experiências,
com bongos, pandas,
elandes, tigres da Sumatra.
elandes, tigres da Sumatra.
07:49
and the Australians -- bless their hearts --
136
445000
3000
e os australianos — abençoados sejam —
brincam com estas coisas.
brincam com estas coisas.
07:52
are playing with these things.
137
448000
1000
O último destes animais
morreu em setembro de 1936.
morreu em setembro de 1936.
07:53
Now, the last of these things died in September 1936.
138
449000
4000
São os tigres da Tasmânia.
07:57
These are Tasmanian tigers. The last known one died at the Hobart Zoo.
139
453000
4000
O último conhecido morreu
no Zoo de Hobart.
no Zoo de Hobart.
08:01
But it turns out that as we learn more about gene code
140
457000
3000
Mas à medida que aprendermos
mais sobre o código genético
mais sobre o código genético
08:04
and how to reprogram species,
141
460000
2000
e como reprogramar as espécies,
08:06
we may be able to close the gene gaps in deteriorate DNA.
142
462000
5000
poderemos preencher as lacunas
em ADN deteriorado.
em ADN deteriorado.
Quando aprendermos a preencher
as lacunas dos genes,
as lacunas dos genes,
08:11
And when we learn how to close the gene gaps,
143
467000
3000
poderemos repor
uma cadeia de ADN completa.
uma cadeia de ADN completa.
08:14
then we can put a full string of DNA together.
144
470000
2000
Se o fizermos e o inserirmos
num ovo fertilizado de loba,
num ovo fertilizado de loba,
08:17
And if we do that, and insert this into a fertilized wolf's egg,
145
473000
4000
poderemos fazer nascer um animal
08:22
we may give birth to an animal
146
478000
2000
que já não anda pela terra desde 1936.
08:24
that hasn't walked the earth since 1936.
147
480000
2000
08:27
And then you can start going back further,
148
483000
2000
Depois, poderemos ir ainda mais atrás,
podemos pensar nos dodós,
podemos pensar nos dodós,
08:29
and you can start thinking about dodos,
149
485000
2000
podemos pensar noutras espécies.
08:32
and you can think about other species.
150
488000
1000
08:34
And in other places, like Maryland, they're trying to figure out
151
490000
3000
Noutros sítios, como em Maryland,
estão a tentar descobrir
estão a tentar descobrir
qual é o antepassado comum.
08:37
what the primordial ancestor is.
152
493000
2000
08:39
Because each of us contains our entire gene code
153
495000
3000
Porque cada um de nós
contém todo o código genético
contém todo o código genético
do local onde estivemos durante
milhares de milhões de anos.
milhares de milhões de anos.
08:42
of where we've been for the past billion years,
154
498000
3000
Evoluímos desse material,
08:45
because we've evolved from that stuff,
155
501000
2000
poderemos encontrar essa árvore da vida
08:47
you can take that tree of life and collapse it back,
156
503000
2000
Quando aprendermos a reprogramar,
08:49
and in the measure that you learn to reprogram,
157
505000
3000
talvez possamos dar vida a qualquer coisa
08:52
maybe we'll give birth to something
158
508000
2000
muito próxima do caldo primordial.
08:54
that is very close to the first primordial ooze.
159
510000
2000
Tudo isto aparece em coisas como estas.
08:56
And it's all coming out of things that look like this.
160
512000
2000
São empresas que não existiam
há cinco anos.
há cinco anos.
08:58
These are companies that didn't exist five years ago.
161
514000
2000
Enormes instalações
de sequenciação de genes
de sequenciação de genes
09:00
Huge gene sequencing facilities the size of football fields.
162
516000
4000
do tamanho de campos de futebol.
Algumas são públicas. Outras são privadas.
09:04
Some are public. Some are private.
163
520000
2000
09:06
It takes about 5 billion dollars to sequence a human being the first time.
164
522000
3000
A primeira sequenciação de um ser humano
custou cinco mil milhões de dólares
custou cinco mil milhões de dólares
A segunda vez custou
três milhões de dólares.
três milhões de dólares.
09:10
Takes about 3 million dollars the second time.
165
526000
2000
Teremos um genoma por mil dólares
dentro de cinco a oito anos.
dentro de cinco a oito anos.
09:12
We will have a 1,000-dollar genome within the next five to eight years.
166
528000
4000
Isso significa que teremos
o nosso código genético num CD.
o nosso código genético num CD.
09:16
That means each of you will contain on a CD your entire gene code.
167
532000
4000
Será uma coisa muito aborrecida.
Lê-se assim.
Lê-se assim.
09:21
And it will be really boring. It will read like this.
168
537000
2000
(Risos)
09:24
(Laughter)
169
540000
2000
O que é bonito, é que é vida.
09:26
The really neat thing about this stuff is that's life.
170
542000
2000
Laurie vai falar disso, daqui a pouco.
09:28
And Laurie's going to talk about this one a little bit.
171
544000
3000
Porque, se encontrarem isto
dentro do vosso corpo,
dentro do vosso corpo,
09:31
Because if you happen to find this one inside your body,
172
547000
2000
será um grande problema,
porque trata-se do código do Ébola.
porque trata-se do código do Ébola.
09:33
you're in big trouble, because that's the source code for Ebola.
173
549000
2000
É uma das doenças mais mortíferas
que conhecemos.
que conhecemos.
09:37
That's one of the deadliest diseases known to humans.
174
553000
2000
Mas as plantas e os animais
funcionam da mesma maneira
funcionam da mesma maneira
09:39
But plants work the same way and insects work the same way,
175
555000
2000
Esta maçã funciona da mesma maneira.
09:41
and this apple works the same way.
176
557000
2000
Esta maçã é o mesmo que esta disquete.
09:43
This apple is the same thing as this floppy disk.
177
559000
2000
A disquete codifica em uns e zeros
09:45
Because this thing codes ones and zeros,
178
561000
2000
e a maçã codifica em A, T, C. G
e fica lá em cima,
e fica lá em cima,
09:47
and this thing codes A, T, C, Gs, and it sits up there,
179
563000
2000
09:49
absorbing energy on a tree, and one fine day
180
565000
3000
a absorver energia numa árvore
até que, um belo dia,
até que, um belo dia,
tem energia suficiente
para clicar "Enter " e cai.
para clicar "Enter " e cai.
09:52
it has enough energy to say, execute, and it goes [thump]. Right?
181
568000
4000
(Risos)
09:56
(Laughter)
182
572000
3000
Quando abre o ficheiro .exe,
09:59
And when it does that, pushes a .EXE, what it does is,
183
575000
4000
executa a primeira linha do código,
que é assim:
que é assim:
10:03
it executes the first line of code, which reads just like that,
184
579000
3000
AATCAGGGACCC, o que significa
"criar uma raiz".
"criar uma raiz".
10:06
AATCAGGGACCC, and that means: make a root.
185
582000
3000
A linha seguinte do código:
"criar um caule".
"criar um caule".
10:09
Next line of code: make a stem.
186
585000
2000
10:11
Next line of code, TACGGGG: make a flower that's white,
187
587000
3000
A linha seguinte: TACGGGG:
"criar uma flor branca,
"criar uma flor branca,
"que floresça na primavera,
que cheire assim".
que cheire assim".
10:14
that blooms in the spring, that smells like this.
188
590000
3000
10:17
In the measure that you have the code
189
593000
2000
Quando temos o código
e o podemos ler
e o podemos ler
10:19
and the measure that you read it --
190
595000
3000
— a propósito, a primeira planta
foi lida há dois anos,
foi lida há dois anos,
10:22
and, by the way, the first plant was read two years ago;
191
598000
2000
o primeiro ser humano foi lido
há dois anos,
há dois anos,
10:24
the first human was read two years ago;
192
600000
2000
o primeiro inseto foi lido há dois anos.
10:26
the first insect was read two years ago.
193
602000
2000
10:28
The first thing that we ever read was in 1995:
194
604000
3000
A primeira coisa que lemos
foi em 1995:
foi em 1995:
uma pequena bactéria
chamada Haemophilus influenza
chamada Haemophilus influenza
10:31
a little bacteria called Haemophilus influenzae.
195
607000
2000
Quando tivermos o código de origem,
como todos sabemos,
como todos sabemos,
10:34
In the measure that you have the source code, as all of you know,
196
610000
3000
podemos modificá-lo,
e podemos reprogramar as formas de vida
e podemos reprogramar as formas de vida
10:37
you can change the source code, and you can reprogram life forms
197
613000
2000
10:39
so that this little thingy becomes a vaccine,
198
615000
2000
e esta coisinha passa a ser uma vacina
10:41
or this little thingy starts producing biomaterials,
199
617000
3000
ou começa a produzir materiais biológicos.
A DuPont está a desenvolver
um tipo de poliéster, no trigo,
um tipo de poliéster, no trigo,
10:44
which is why DuPont is now growing a form of polyester
200
620000
3000
que tem a consistência da seda.
10:47
that feels like silk in corn.
201
623000
2000
Isto altera tudo. Isto é vida,
mas estamos em vias de a reprogramar.
mas estamos em vias de a reprogramar.
10:50
This changes all rules. This is life, but we're reprogramming it.
202
626000
5000
Este é o aspeto que temos.
este é um dos nossos cromossomas.
este é um dos nossos cromossomas.
10:57
This is what you look like. This is one of your chromosomes.
203
633000
4000
Neste momento,
podemos determinar exatamente
podemos determinar exatamente
11:01
And what you can do now is,
204
637000
2000
qual é o nosso cromossoma,
11:03
you can outlay exactly what your chromosome is,
205
639000
3000
qual é o código genético
do cromossoma que temos aqui
do cromossoma que temos aqui
11:06
and what the gene code on that chromosome is right here,
206
642000
3000
o que é que estes genes codificam,
contra que animais codificam,
contra que animais codificam,
11:09
and what those genes code for, and what animals they code against,
207
645000
3000
e podemos ligar tudo
à literatura científica.
à literatura científica.
11:12
and then you can tie it to the literature.
208
648000
2000
Se conseguirmos fazer isso,
vamos para casa
vamos para casa
11:14
And in the measure that you can do that, you can go home today,
209
650000
3000
ligamos a Internet
11:17
and get on the Internet, and access
210
653000
2000
e entramos na maior biblioteca pública
do mundo, uma biblioteca da vida.
do mundo, uma biblioteca da vida.
11:19
the world's biggest public library, which is a library of life.
211
655000
3000
11:23
And you can do some pretty strange things
212
659000
2000
Podemos fazer coisas muito estranhas
porque, tal como podemos
reprogramar esta maçã,
reprogramar esta maçã,
11:25
because in the same way as you can reprogram this apple,
213
661000
2000
Cliff Tabin, no laboratório
da Escola de Medicina de Harvard
da Escola de Medicina de Harvard
11:28
if you go to Cliff Tabin's lab at the Harvard Medical School,
214
664000
2000
está a reprogramar embriões de galinha
para terem mais asas.
para terem mais asas.
11:31
he's reprogramming chicken embryos to grow more wings.
215
667000
4000
Porque é que Cliff está a fazer isso?
Ele nem sequer tem um restaurante.
Ele nem sequer tem um restaurante.
11:37
Why would Cliff be doing that? He doesn't have a restaurant.
216
673000
3000
11:40
(Laughter)
217
676000
1000
(Risos)
Ele está a reprogramar esse animal
para ter mais asas
para ter mais asas
11:42
The reason why he's reprogramming that animal to have more wings
218
678000
3000
porque, quando costumávamos brincar
com lagartos, em miúdos,
com lagartos, em miúdos,
11:45
is because when you used to play with lizards as a little child,
219
681000
3000
e apanhávamos um lagarto,
por vezes o rabo caía, mas renascia.
por vezes o rabo caía, mas renascia.
11:48
and you picked up the lizard, sometimes the tail fell off, but it regrew.
220
684000
4000
11:52
Not so in human beings:
221
688000
3000
Nos seres humanos não.
11:55
you cut off an arm, you cut off a leg -- it doesn't regrow.
222
691000
3000
Podemos cortar um braço, uma perna
— não voltam a crescer.
— não voltam a crescer.
11:58
But because each of your cells contains your entire gene code,
223
694000
4000
Mas como cada uma das nossas células
contém todo o nosso código genético,
contém todo o nosso código genético,
cada célula pode ser reprogramada
12:03
each cell can be reprogrammed, if we don't stop stem cell research
224
699000
4000
— se continuarmos com a investigação
das células estaminais
das células estaminais
e com a investigação genómica —
12:07
and if we don't stop genomic research,
225
703000
2000
12:09
to express different body functions.
226
705000
3000
para exprimir diferentes funções do corpo.
Quando aprendermos
como os frangos desenvolvem asas
como os frangos desenvolvem asas
12:13
And in the measure that we learn how chickens grow wings,
227
709000
3000
e qual é o programa para essas
células se diferenciarem,
células se diferenciarem,
12:16
and what the program is for those cells to differentiate,
228
712000
2000
12:18
one of the things we're going to be able to do
229
714000
3000
uma das coisas que poderemos fazer
é interromper a diferenciação das células,
aquilo que provoca o cancro,
aquilo que provoca o cancro,
12:21
is to stop undifferentiated cells, which you know as cancer,
230
717000
3000
Uma das coisas que vamos aprender a fazer
12:25
and one of the things we're going to learn how to do
231
721000
2000
é como reprogramar células
como as células estaminais
como as células estaminais
12:27
is how to reprogram cells like stem cells
232
723000
3000
de forma que elas se diferenciem
em osso, estômago, pele, pâncreas.
em osso, estômago, pele, pâncreas.
12:30
in such a way that they express bone, stomach, skin, pancreas.
233
726000
6000
Provavelmente andaremos a passear
— nós e os nossos filhos —
— nós e os nossos filhos —
12:37
And you are likely to be wandering around -- and your children --
234
733000
3000
dentro de algum tempo,
com partes do corpo duplicadas,
com partes do corpo duplicadas,
12:40
on regrown body parts in a reasonable period of time,
235
736000
3000
nalguns locais do mundo
em que não puseram a investigação de lado.
em que não puseram a investigação de lado.
12:44
in some places in the world where they don't stop the research.
236
740000
3000
Como é que isto funciona?
12:49
How's this stuff work? If each of you differs
237
745000
5000
Cada um de nós é 0,1% diferente
do seu vizinho.
do seu vizinho.
12:54
from the person next to you by one in a thousand, but only three percent codes,
238
750000
3000
mas apenas em 3%, dos códigos,
ou seja, a diferença
é só de um milésimo de 3%.
é só de um milésimo de 3%.
12:57
which means it's only one in a thousand times three percent,
239
753000
2000
Diferenças muito pequenas
na expressão e na pontuação
na expressão e na pontuação
12:59
very small differences in expression and punctuation
240
755000
3000
podem fazer uma diferença significativa.
13:02
can make a significant difference. Take a simple declarative sentence.
241
758000
3000
Vejam uma simples frase afirmativa.
[Uma mulher sem o marido é zero]
13:07
(Laughter)
242
763000
2000
(Risos)
Não é?
13:09
Right?
243
765000
1000
É perfeitamente claro.
13:10
That's perfectly clear. So, men read that sentence,
244
766000
4000
Os homens leem esta frase,
olham para esta frase e leem assim:
olham para esta frase e leem assim:
13:14
and they look at that sentence, and they read this.
245
770000
2000
[Uma mulher, sem o marido, é zero]
Ok?
13:22
Okay?
246
778000
1000
13:23
Now, women look at that sentence and they say, uh-uh, wrong.
247
779000
4000
Mas as mulheres olham
para a frase e dizem:
para a frase e dizem:
"Hum... está errado. Deve ler-se assim."
13:27
This is the way it should be seen.
248
783000
2000
[Uma mulher: sem ela, o marido é zero]
13:31
(Laughter)
249
787000
8000
(Risos)
(Aplausos)
É o que os nossos genes fazem
13:39
That's what your genes are doing.
250
795000
1000
É por isso que você é 0,1% diferente
desta pessoa aqui.
desta pessoa aqui.
13:40
That's why you differ from this person over here by one in a thousand.
251
796000
5000
13:45
Right? But, you know, he's reasonably good looking, but...
252
801000
3000
Mas, ele é muito bem parecido, mas...
13:48
I won't go there.
253
804000
2000
é melhor não continuar.
Podemos fazer isto,
mesmo sem alterar a pontuação,
mesmo sem alterar a pontuação,
13:51
You can do this stuff even without changing the punctuation.
254
807000
3000
Podemos olhar para isto:
13:55
You can look at this, right?
255
811000
4000
[O IRS]
Eles olham para a palavra
de modo diferente.
de modo diferente.
13:59
And they look at the world a little differently.
256
815000
2000
Olham para a mesma palavra e dizem:
14:01
They look at the same world and they say...
257
817000
2000
[Deles]
14:03
(Laughter)
258
819000
6000
(Risos)
É o mesmo com o código genético
— é por isso que temos 30 000 genes.
— é por isso que temos 30 000 genes.
14:09
That's how the same gene code -- that's why you have 30,000 genes,
259
825000
4000
Os ratos têm 30 000 genes,
os maridos têm 30 000 genes,
os maridos têm 30 000 genes,
14:13
mice have 30,000 genes, husbands have 30,000 genes.
260
829000
3000
Os ratos e os homens são iguais.
Aliás, as mulheres sabem isso.
Aliás, as mulheres sabem isso.
14:16
Mice and men are the same. Wives know that, but anyway.
261
832000
3000
Podemos fazer mudanças mínimas
no código genético
no código genético
14:20
You can make very small changes in gene code
262
836000
2000
14:22
and get really different outcomes,
263
838000
2000
e obter resultados muito diferentes,
com a mesma enfiada de letras.
14:26
even with the same string of letters.
264
842000
2000
É o que os nossos genes
fazem todos os dias.
fazem todos os dias.
14:30
That's what your genes are doing every day.
265
846000
2000
É por isso que, por vezes,
os genes duma pessoa
os genes duma pessoa
14:33
That's why sometimes a person's genes
266
849000
2000
não têm de mudar muito
para produzir um cancro.
para produzir um cancro.
14:35
don't have to change a lot to get cancer.
267
851000
2000
14:41
These little chippies, these things are the size of a credit card.
268
857000
4000
Estes pequenos chips são do tamanho
de um cartão de crédito.
de um cartão de crédito.
Podem pesquisar
60 000 doenças genéticas.
60 000 doenças genéticas.
14:46
They will test any one of you for 60,000 genetic conditions.
269
862000
2000
14:49
That brings up questions of privacy and insurability
270
865000
3000
Isto levanta questões
de privacidade e de segurança
de privacidade e de segurança
e outras coisas, mas também
nos permite pesquisar doenças,
nos permite pesquisar doenças,
14:52
and all kinds of stuff, but it also allows us to start going after diseases,
271
868000
2000
porque se testarmos uma pessoa
com leucemia, com uma coisa destas,
com leucemia, com uma coisa destas,
14:55
because if you run a person who has leukemia through something like this,
272
871000
3000
três doenças com síndromas clínicos
totalmente semelhantes
totalmente semelhantes
14:59
it turns out that three diseases with
273
875000
2000
15:01
completely similar clinical syndromes
274
877000
4000
revelam ser doenças totalmente diferentes.
15:05
are completely different diseases.
275
881000
2000
porque na leucemia ALL, este conjunto
de genes manifesta-se exageradamente,
de genes manifesta-se exageradamente,
15:07
Because in ALL leukemia, that set of genes over there over-expresses.
276
883000
3000
na MLL, é o conjunto de genes do meio
15:10
In MLL, it's the middle set of genes,
277
886000
2000
e na AML, é o conjunto de genes em baixo.
15:12
and in AML, it's the bottom set of genes.
278
888000
2000
15:14
And if one of those particular things is expressing in your body,
279
890000
5000
Se uma destas coisas
se exprime no nosso corpo,
se exprime no nosso corpo,
tomamos Gleevec e ficamos curados.
15:19
then you take Gleevec and you're cured.
280
895000
2000
15:22
If it is not expressing in your body,
281
898000
2000
Se não se exprime no nosso corpo,
se não temos um destes tipos
— nenhum destes tipos —
— nenhum destes tipos —
15:24
if you don't have one of those types --
282
900000
2000
15:26
a particular one of those types -- don't take Gleevec.
283
902000
3000
não vale a pena tomar Gleevec,
não nos fará nada.
não nos fará nada.
15:29
It won't do anything for you.
284
905000
1000
O mesmo com o Receptin,
se tivemos cancro da mama.
se tivemos cancro da mama.
15:31
Same thing with Receptin if you've got breast cancer.
285
907000
2000
Não temos um recetor HER-2?
Não tomamos Receptin.
Não tomamos Receptin.
15:34
Don't have an HER-2 receptor? Don't take Receptin.
286
910000
3000
Isto altera a natureza da medicina,
as previsões da medicina.
as previsões da medicina.
15:37
Changes the nature of medicine. Changes the predictions of medicine.
287
913000
4000
Altera a forma como funciona a medicina.
15:41
Changes the way medicine works.
288
917000
2000
O maior repositório de conhecimento
quando fomos para a faculdade
quando fomos para a faculdade
15:43
The greatest repository of knowledge when most of us went to college
289
919000
3000
era esta coisa.
15:46
was this thing, and it turns out that
290
922000
2000
Mas hoje já não é assim tão importante,
a Biblioteca do Congresso dos EUA,
a Biblioteca do Congresso dos EUA,
15:48
this is not so important any more.
291
924000
2000
15:50
The U.S. Library of Congress, in terms of its printed volume of data,
292
926000
4000
Em termos dos seus volumes
de dados impressos,
de dados impressos,
contém menos dados do que
os que saem todos os meses,
os que saem todos os meses,
15:54
contains less data than is coming out of a good genomics company
293
930000
4000
de uma boa empresa de genómica,
sob forma de química.
sob forma de química.
15:58
every month on a compound basis.
294
934000
3000
Vou repetir.
16:01
Let me say that again: A single genomics company
295
937000
3000
Uma única empresa de genómica
gera mais dados num mês, sob forma química,
gera mais dados num mês, sob forma química,
16:04
generates more data in a month, on a compound basis,
296
940000
3000
do que as coleções impressas
da Biblioteca do Congresso.
da Biblioteca do Congresso.
16:07
than is in the printed collections of the Library of Congress.
297
943000
3000
16:11
This is what's been powering the U.S. economy. It's Moore's Law.
298
947000
4000
Foi o que estimulou a economia dos EUA,
é a Lei de Moore.
Todos sabemos que o preço dos computadores
desce para metade, cada 18 meses
desce para metade, cada 18 meses
16:15
So, all of you know that the price of computers halves every 18 months
299
951000
5000
e a potência deles duplica.
16:20
and the power doubles, right?
300
956000
2000
Mas quando pomos isso, lado a lado,
16:22
Except that when you lay that side by side with the speed
301
958000
4000
com a velocidade com que
os dados genéticos
os dados genéticos
16:26
with which gene data's being deposited in GenBank,
302
962000
3000
estão a ser depositados no GenBank,
a Lei de Moore é a linha azul.
16:29
Moore's Law is right here: it's the blue line.
303
965000
4000
Isto é numa escala logarítmica,
16:34
This is on a log scale, and that's what superexponential growth means.
304
970000
4000
é o que significa
um crescimento super exponencial.
um crescimento super exponencial.
16:38
This is going to push computers to have to grow faster
305
974000
4000
Isto vai obrigar os computadores
a evoluir mais depressa
a evoluir mais depressa
16:42
than they've been growing, because so far,
306
978000
2000
do que têm estado a evoluir,
porque até agora nenhuma aplicação
exigiu esta necessidade
exigiu esta necessidade
16:44
there haven't been applications that have been required
307
980000
3000
de andar mais depressa
do que a Lei de Moore.
do que a Lei de Moore.
16:47
that need to go faster than Moore's Law. This stuff does.
308
983000
3000
Mas isto exige.
16:50
And here's an interesting map.
309
986000
2000
Este é um mapa interessante.
16:52
This is a map which was finished at the Harvard Business School.
310
988000
4000
É um mapa que foi elaborado
na Escola de Gestão de Harvard.
na Escola de Gestão de Harvard.
Uma das questões mais interessantes é:
16:56
One of the really interesting questions is, if all this data's free,
311
992000
3000
"Se todos estes dados
são gratuitos, quem os usa?
são gratuitos, quem os usa?
16:59
who's using it? This is the greatest public library in the world.
312
995000
4000
Isto é a maior biblioteca pública do mundo.
Há cerca de 27 biliões de bits
17:03
Well, it turns out that there's about 27 trillion bits
313
999000
3000
17:06
moving inside from the United States to the United States;
314
1002000
3000
a mover-se aqui internamente,
dos EUA para os EUA;
dos EUA para os EUA;
cerca de 4,6 biliões vão
para estes países da Europa;
para estes países da Europa;
17:09
about 4.6 trillion is going over to those European countries;
315
1005000
4000
cerca de 5,5 biliões vão para o Japão;
17:13
about 5.5's going to Japan; there's almost no communication
316
1009000
3000
quase não há comunicação com o Japão
e mais ninguém é versado nesta coisa.
e mais ninguém é versado nesta coisa.
17:16
between Japan, and nobody else is literate in this stuff.
317
1012000
4000
17:20
It's free. No one's reading it. They're focusing on the war;
318
1016000
5000
É gratuito. Ninguém os lê.
Estão concentrados na guerra, no Bush.
17:25
they're focusing on Bush; they're not interested in life.
319
1021000
2000
Não estão interessados na vida.
É este o aspeto de um novo mapa do mundo.
17:28
So, this is what a new map of the world looks like.
320
1024000
2000
Este é o mundo geneticamente letrado.
17:31
That is the genomically literate world. And that is a problem.
321
1027000
6000
E isso é um problema.
Na verdade, não é um mundo
genomicamente letrado.
genomicamente letrado.
17:37
In fact, it's not a genomically literate world.
322
1033000
2000
Podemos dividir isto por estados.
17:39
You can break this out by states.
323
1035000
2000
Vemos estados a subir e a descer
17:41
And you can watch states rise and fall depending on
324
1037000
2000
consoante a sua capacidade de falar
a linguagem da vida.
a linguagem da vida.
17:43
their ability to speak a language of life,
325
1039000
2000
17:45
and you can watch New York fall off a cliff,
326
1041000
2000
Vemos Nova Iorque a cair a pique,
Nova Jérsei a cair a pique,
Nova Jérsei a cair a pique,
17:47
and you can watch New Jersey fall off a cliff,
327
1043000
2000
vemos a subida de novos impérios
de informações.
de informações.
17:49
and you can watch the rise of the new empires of intelligence.
328
1045000
3000
Podemos dividir por condados,
porque há condados específicos.
porque há condados específicos.
17:53
And you can break it out by counties, because it's specific counties.
329
1049000
3000
Se quisermos ser ainda mais específicos,
17:56
And if you want to get more specific,
330
1052000
2000
dividimos por códigos postais.
17:58
it's actually specific zip codes.
331
1054000
2000
18:00
(Laughter)
332
1056000
2000
(Risos)
18:02
So, you want to know where life is happening?
333
1058000
3000
Querem saber onde é que a vida acontece?
Na Califórnia do Sul, é no 92121.
18:05
Well, in Southern California it's happening in 92121. And that's it.
334
1061000
5000
E é tudo.
E há o triângulo
entre Salk, Scripps, UCSD,
entre Salk, Scripps, UCSD,
18:11
And that's the triangle between Salk, Scripps, UCSD,
335
1067000
5000
que se chama Torrey Pines Road.
18:16
and it's called Torrey Pines Road.
336
1072000
2000
Não é preciso ser
uma grande nação, para ter êxito,
uma grande nação, para ter êxito,
18:18
That means you don't need to be a big nation to be successful;
337
1074000
3000
não é preciso
muita gente para ter êxito,
muita gente para ter êxito,
18:21
it means you don't need a lot of people to be successful;
338
1077000
2000
18:23
and it means you can move most of the wealth of a country
339
1079000
3000
e podemos movimentar
a maior parte da riqueza de um país
a maior parte da riqueza de um país
em três ou quatro Boeing 747
cuidadosamente empilhados.
cuidadosamente empilhados.
18:26
in about three or four carefully picked 747s.
340
1082000
3000
18:30
Same thing in Massachusetts. Looks more spread out but --
341
1086000
4000
O mesmo em Massachusetts.
Parece mais espalhado
— a propósito, os que têm
a mesma cor são contíguos.
a mesma cor são contíguos.
18:34
oh, by the way, the ones that are the same color are contiguous.
342
1090000
3000
18:38
What's the net effect of this?
343
1094000
2000
Qual é o efeito disto tudo?
Numa sociedade agrícola, a diferença
entre os mais ricos e os mais pobres,
entre os mais ricos e os mais pobres,
18:40
In an agricultural society, the difference between
344
1096000
2000
18:42
the richest and the poorest,
345
1098000
1000
os mais produtivos e os menos produtivos
era de cinco para um.
era de cinco para um.
18:44
the most productive and the least productive, was five to one. Why?
346
1100000
4000
Porquê?
Porque, na agricultura,
quem tinha 10 filhos
quem tinha 10 filhos
18:48
Because in agriculture, if you had 10 kids
347
1104000
2000
e crescia um pouco mais cedo
e trabalhava um pouco mais,
e trabalhava um pouco mais,
18:50
and you grow up a little bit earlier and you work a little bit harder,
348
1106000
3000
podia produzir cinco vezes
mais riqueza, em média,
mais riqueza, em média,
18:53
you could produce about five times more wealth, on average,
349
1109000
2000
do que o vizinho.
18:55
than your neighbor.
350
1111000
1000
Numa sociedade do conhecimento,
esse número é hoje de 427 para 1.
esse número é hoje de 427 para 1.
18:57
In a knowledge society, that number is now 427 to 1.
351
1113000
3000
É determinante ser-se letrado,
não apenas em ler e escrever,
não apenas em ler e escrever,
19:01
It really matters if you're literate, not just in reading and writing
352
1117000
4000
em inglês. francês e alemão.
19:05
in English and French and German,
353
1121000
2000
mas em Microsoft, em Linux e em Apple.
19:07
but in Microsoft and Linux and Apple.
354
1123000
2000
Dentro em pouco, vai ser determinante
se somos letrados no código da vida.
se somos letrados no código da vida.
19:10
And very soon it's going to matter if you're literate in life code.
355
1126000
4000
Se há alguma coisa de que devam ter medo
19:14
So, if there is something you should fear,
356
1130000
2000
é de não estarem
com os olhos postos na bola.
com os olhos postos na bola.
19:16
it's that you're not keeping your eye on the ball.
357
1132000
3000
Porque é determinante quem fala vida.
19:19
Because it really matters who speaks life.
358
1135000
2000
É por isso que as nações ascendem e came.
19:22
That's why nations rise and fall.
359
1138000
2000
Se voltarmos à década de 1870,
19:25
And it turns out that if you went back to the 1870s,
360
1141000
3000
a nação mais produtiva na terra,
por pessoa, era a Austrália.
por pessoa, era a Austrália.
19:28
the most productive nation on earth was Australia, per person.
361
1144000
3000
E a Nova Zelândia estava ali em cima.
Os EUA apareceram em 1950,
Os EUA apareceram em 1950,
19:31
And New Zealand was way up there. And then the U.S. came in about 1950,
362
1147000
3000
A Suíça em 1973,
depois os EUA voltaram ao topo.
depois os EUA voltaram ao topo.
19:34
and then Switzerland about 1973, and then the U.S. got back on top --
363
1150000
3000
Vencemos os chocolates
e os relógios de cuco.
e os relógios de cuco.
19:38
beat up their chocolates and cuckoo clocks.
364
1154000
2000
Todos sabemos qual é a nação
mais produtiva, hoje.
mais produtiva, hoje.
19:42
And today, of course, you all know that the most productive nation
365
1158000
3000
É o Luxemburgo, que produz
cerca de um terço mais riqueza
cerca de um terço mais riqueza
19:45
on earth is Luxembourg, producing about one third more wealth
366
1161000
3000
19:48
per person per year than America.
367
1164000
2000
por pessoa, por ano,
do que os EUA.
do que os EUA.
19:51
Tiny landlocked state. No oil. No diamonds. No natural resources.
368
1167000
4000
Um estado pequeno encravado.
Não tem petróleo, nem diamantes,
nem recursos naturais.
nem recursos naturais.
19:55
Just smart people moving bits. Different rules.
369
1171000
5000
Apenas pessoas inteligentes
a movimentar bits.
a movimentar bits.
Regras diferentes.
20:01
Here's differential productivity rates.
370
1177000
3000
Estas são taxas
de produtividade diferenciais.
de produtividade diferenciais.
O número de pessoas necessárias
para produzir uma patente americana.
para produzir uma patente americana.
20:05
Here's how many people it takes to produce a single U.S. patent.
371
1181000
3000
20:08
So, about 3,000 Americans, 6,000 Koreans, 14,000 Brits,
372
1184000
4000
Cerca de 3000 americanos,
6000 coreanos, 14 000 britânicos,
6000 coreanos, 14 000 britânicos,
790 000 argentinos.
20:12
790,000 Argentines. You want to know why Argentina's crashing?
373
1188000
3000
Sabem porque é que a Argentina
está a afundar-se?
está a afundar-se?
20:15
It's got nothing to do with inflation.
374
1191000
2000
Não tem nada a ver com a inflação,
nem com a privatização.
nem com a privatização.
20:17
It's got nothing to do with privatization.
375
1193000
2000
Podem agarrar num economista de Harvard
e pô-lo à frente da Argentina.
e pô-lo à frente da Argentina.
20:19
You can take a Harvard-educated Ivy League economist,
376
1195000
4000
20:23
stick him in charge of Argentina. He still crashes the country
377
1199000
3000
Ele vai afundar o país
porque não percebe
até que ponto mudaram as regras.
até que ponto mudaram as regras.
20:26
because he doesn't understand how the rules have changed.
378
1202000
2000
Oh, bem, são precisos cerca
de 5,6 milhões de indianos.
de 5,6 milhões de indianos.
20:29
Oh, yeah, and it takes about 5.6 million Indians.
379
1205000
3000
20:32
Well, watch what happens to India.
380
1208000
2000
Reparem no que acontece com a Índia.
A Índia e a China costumavam
ser 40% da economia mundial,
ser 40% da economia mundial,
20:34
India and China used to be 40 percent of the global economy
381
1210000
3000
na altura da Revolução Industrial,
e agora são uns 4,8%.
e agora são uns 4,8%.
20:37
just at the Industrial Revolution, and they are now about 4.8 percent.
382
1213000
5000
20:42
Two billion people. One third of the global population producing 5 percent of the wealth
383
1218000
4000
Dois mil milhões de pessoas.
Um terço da população mundial
a produzir 5% da riqueza
a produzir 5% da riqueza
20:46
because they didn't get this change,
384
1222000
3000
porque não apanharam esta mudança,
20:49
because they kept treating their people like serfs
385
1225000
2000
continuam a tratar o povo como servos,
20:51
instead of like shareholders of a common project.
386
1227000
3000
em vez de acionistas de um projeto comum.
20:55
They didn't keep the people who were educated.
387
1231000
3000
Não conservaram as pessoas instruídas.
Não fomentaram os negócios.
Não fizeram as Ofertas Públicas Iniciais.
Não fizeram as Ofertas Públicas Iniciais.
20:58
They didn't foment the businesses. They didn't do the IPOs.
388
1234000
2000
21:01
Silicon Valley did. And that's why they say
389
1237000
4000
Sillicon Valley fê-lo.
É por isso que se diz que Sillicon Valley
foi impulsionada pelos CI.
foi impulsionada pelos CI.
21:05
that Silicon Valley has been powered by ICs.
390
1241000
2000
Não são os Circuitos Integrados,
são os chineses e os indianos.
são os chineses e os indianos.
21:08
Not integrated circuits: Indians and Chinese.
391
1244000
3000
(Risos)
21:11
(Laughter)
392
1247000
4000
Isto é o que está a acontecer no mundo.
21:15
Here's what's happening in the world.
393
1251000
2000
Se tivessem ido à ONU, em 1950,
21:17
It turns out that if you'd gone to the U.N. in 1950,
394
1253000
3000
quando ela foi fundada,
havia 50 países neste mundo.
havia 50 países neste mundo.
21:20
when it was founded, there were 50 countries in this world.
395
1256000
2000
Hoje, há cerca de 192.
21:22
It turns out there's now about 192.
396
1258000
3000
País atrás de país, está a dividir-se,
a separar-se, a ter êxito, a decair
a separar-se, a ter êxito, a decair
21:25
Country after country is splitting, seceding, succeeding, failing --
397
1261000
4000
21:30
and it's all getting very fragmented. And this has not stopped.
398
1266000
5000
— e está tudo a ficar muito fragmentado.
Isto não parou nos anos 90.
21:35
In the 1990s, these are sovereign states
399
1271000
3000
Há estados soberanos
que não existiam antes de 1990.
que não existiam antes de 1990.
21:38
that did not exist before 1990.
400
1274000
2000
Isto não inclui fusões
ou mudança de nomes ou de bandeiras.
ou mudança de nomes ou de bandeiras.
21:40
And this doesn't include fusions or name changes or changes in flags.
401
1276000
5000
Nascem 3,12 novos estados por ano.
21:45
We're generating about 3.12 states per year.
402
1281000
3000
As pessoas estão a assumir
o controlo dos seus estados,
o controlo dos seus estados,
21:48
People are taking control of their own states,
403
1284000
3000
por vezes para o melhor,
e, por vezes para o pior.
e, por vezes para o pior.
21:51
sometimes for the better and sometimes for the worse.
404
1287000
3000
21:54
And the really interesting thing is,
405
1290000
2000
O que é realmente interessante
é que nós e os nossos filhos temos o poder
de construir grandes impérios
de construir grandes impérios
21:56
you and your kids are empowered to build great empires,
406
1292000
2000
21:58
and you don't need a lot to do it.
407
1294000
2000
e não precisamos de muito para issso.
22:00
(Music)
408
1296000
2000
(Música)
22:02
And, given that the music is over, I was going to talk
409
1298000
3000
Dado que a música acabou,
eu ia dizer
eu ia dizer
22:05
about how you can use this to generate a lot of wealth,
410
1301000
3000
como é que podemos usar isso
para gerar muita riqueza
para gerar muita riqueza
22:08
and how code works.
411
1304000
2000
e como funciona o código.
Moderador: Mais dois minutos.
22:10
Moderator: Two minutes.
412
1306000
1000
22:11
(Laughter)
413
1307000
2000
(Risos)
Não.
22:13
Juan Enriquez: No, I'm going to stop there and we'll do it next year
414
1309000
4000
Vou parar aqui
e fazemos isso no próximo ano,
e fazemos isso no próximo ano,
22:17
because I don't want to take any of Laurie's time.
415
1313000
2000
porque não quero roubar tempo à Laurie.
Muito obrigado.
22:20
But thank you very much.
416
1316000
1000
(Aplausos)
ABOUT THE SPEAKER
Juan Enriquez - FuturistJuan Enriquez thinks and writes about the profound changes that genomics and other life sciences will bring in business, technology, politics and society.
Why you should listen
A broad thinker who studies the intersections of these fields, Enriquez has a talent for bridging disciplines to build a coherent look ahead. He is the managing director of Excel Venture Management, a life sciences VC firm. He recently published (with Steve Gullans) Evolving Ourselves: How Unnatural Selection and Nonrandom Mutation Are Shaping Life on Earth. The book describes a world where humans increasingly shape their environment, themselves and other species.
Enriquez is a member of the board of Synthetic Genomics, which recently introduced the smallest synthetic living cell. Called “JCVI-syn 3.0,” it has 473 genes (about half the previous smallest cell). The organism would die if one of the genes is removed. In other words, this is the minimum genetic instruction set for a living organism.
Juan Enriquez | Speaker | TED.com