TEDMED 2010
Danny Hillis: Understanding cancer through proteomics
Danny Hillis: Înţelegerea cancerului prin proteomică
Filmed:
Readability: 3.6
465,363 views
Danny Hillis susține noua direcție de cercetare a cancerului: proteomica, studiul proteinelor din corp. Conform lui Hillis, genomica ne oferă o listă cu ingredientele existente în corp, iar proteomica arată ce anume produc acele ingrediente. A înţelege ce se întâmplă în corp, la nivel de proteină, ne-ar putea ajuta să înțelegem cum apare cancerul.
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Double-click the English transcript below to play the video.
00:15
I admit that I'm a little bit nervous here
0
0
3000
Recunosc că sunt un pic emoţionat,
00:18
because I'm going to say some radical things,
1
3000
3000
deoarece urmează să spun câteva lucruri radicale,
00:21
about how we should think about cancer differently,
2
6000
3000
despre cum ar trebui să abordăm diferit cancerul,
00:24
to an audience that contains a lot of people
3
9000
2000
unei audiențe formate din multe persoane,
00:26
who know a lot more about cancer than I do.
4
11000
3000
care ştiu mai multe despre cancer decât mine.
00:30
But I will also contest that I'm not as nervous as I should be
5
15000
3000
Dar recunosc ca nu sunt chiar atât de neliniştit precum ar trebui,
00:33
because I'm pretty sure I'm right about this.
6
18000
2000
deoarece sunt foarte sigur că am dreptate în acest caz.
00:35
(Laughter)
7
20000
2000
(Râsete)
00:37
And that this, in fact, will be
8
22000
2000
De fapt, aceasta va fi
00:39
the way that we treat cancer in the future.
9
24000
3000
modalitatea prin care vom trata cancerul în viitor.
00:43
In order to talk about cancer,
10
28000
2000
Pentru a discuta despre cancer,
00:45
I'm going to actually have to --
11
30000
3000
va trebui totuşi să --
00:48
let me get the big slide here.
12
33000
3000
permiteţi-mi să ajung la slide-ul acesta mare.
00:53
First, I'm going to try to give you a different perspective of genomics.
13
38000
3000
În primul rând, voi încerca să vă ofer o altă perspectivă asupra genomicii.
00:56
I want to put it in perspective of the bigger picture
14
41000
2000
Doresc să o prezint din perspectiva unei imagini de ansamblu
00:58
of all the other things that are going on --
15
43000
3000
a tuturor celorlalte lucruri care se întâmplă --
01:01
and then talk about something you haven't heard so much about, which is proteomics.
16
46000
3000
şi apoi să discutăm despre ceea ce nu aţi auzit atât de multe, adică proteomica.
01:04
Having explained those,
17
49000
2000
Explicând toate aceste lucruri,
01:06
that will set up for what I think will be a different idea
18
51000
3000
voi pregăti terenul pentru ceea ce eu cred că este o idee diferită
01:09
about how to go about treating cancer.
19
54000
2000
despre cum am putea trata cancerul.
01:11
So let me start with genomics.
20
56000
2000
Aşadar voi începe cu genomica.
01:13
It is the hot topic.
21
58000
2000
Este un subiect fierbinte.
01:15
It is the place where we're learning the most.
22
60000
2000
Este domeniul din care învăţăm cele mai multe lucruri.
01:17
This is the great frontier.
23
62000
2000
Aceasta este marea frontiera.
01:19
But it has its limitations.
24
64000
3000
Dar are limitările sale.
01:22
And in particular, you've probably all heard the analogy
25
67000
3000
Şi anume, probabil că toţi aţi auzit analogia
01:25
that the genome is like the blueprint of your body,
26
70000
3000
conform căreia genomul este harta corpului uman.
01:28
and if that were only true, it would be great,
27
73000
2000
Dacă ar fi corect, ar fi perfect,
01:30
but it's not.
28
75000
2000
dar nu este.
01:32
It's like the parts list of your body.
29
77000
2000
Este doar o listă a părţilor din corpul uman.
01:34
It doesn't say how things are connected,
30
79000
2000
Această hartă nu ne arată conexiunile,
01:36
what causes what and so on.
31
81000
3000
ce cauzează ce şi aşa mai departe.
01:39
So if I can make an analogy,
32
84000
2000
Deci dacă aş putea face o analogie,
01:41
let's say that you were trying to tell the difference
33
86000
2000
să spunem că am încerca să arătăm diferenţa
01:43
between a good restaurant, a healthy restaurant
34
88000
3000
dintre un restaurant bun, un restaurant sănătos
01:46
and a sick restaurant,
35
91000
2000
si un restaurant prost
01:48
and all you had was the list of ingredients
36
93000
2000
şi tot ce am avea la îndemână este lista ingredientelor
01:50
that they had in their larder.
37
95000
3000
pe care le au în cămară.
01:53
So it might be that, if you went to a French restaurant
38
98000
3000
Şi ar putea fi aşa, dacă te duci într-un restaurant franţuzesc
01:56
and you looked through it and you found
39
101000
2000
şi uitându-te pe listă, ai afla
01:58
they only had margarine and they didn't have butter,
40
103000
2000
că au doar margarină şi că nu au unt,
02:00
you could say, "Ah, I see what's wrong with them.
41
105000
2000
atunci ai putea spune, "Aha, ştiu ce nu e bine la ei.
02:02
I can make them healthy."
42
107000
2000
Îi pot face sănătoşi."
02:04
And there probably are special cases of that.
43
109000
2000
Şi probabil mai sunt situaţii de acest gen.
02:06
You could certainly tell the difference
44
111000
2000
Cu siguranţă că am putea observa diferenţa
02:08
between a Chinese restaurant and a French restaurant
45
113000
2000
dintre un restaurant chinezesc şi unul franţuzesc
02:10
by what they had in a larder.
46
115000
2000
prin ceea ce au în cămară.
02:12
So the list of ingredients does tell you something,
47
117000
3000
Aşadar lista ingredientelor ne indică ceva anume,
02:15
and sometimes it tells you something that's wrong.
48
120000
3000
şi uneori ne indică chiar ce nu este bine.
02:19
If they have tons of salt,
49
124000
2000
Dacă deţin tone de sare,
02:21
you might guess they're using too much salt, or something like that.
50
126000
3000
am putea bănui că folosesc prea multă sare, sau ceva asemănător.
02:24
But it's limited,
51
129000
2000
Dar este o abordare limitată,
02:26
because really to know if it's a healthy restaurant,
52
131000
2000
deoarece pentru a afla exact dacă un restaurant este sănătos,
02:28
you need to taste the food, you need to know what goes on in the kitchen,
53
133000
3000
trebuie să guşti mâncarea şi să investighezi ce se întâmplă în bucătărie,
02:31
you need the product of all of those ingredients.
54
136000
3000
ai nevoie de produsul care conţine toate acele ingrediente.
02:34
So if I look at a person
55
139000
2000
În concluzie, dacă mă uit la o persoană
02:36
and I look at a person's genome, it's the same thing.
56
141000
3000
sau dacă mă uit la genomul ei, este acelaşi lucru.
02:39
The part of the genome that we can read
57
144000
2000
Partea din genom pe care o putem citi
02:41
is the list of ingredients.
58
146000
2000
este lista ingredientelor.
02:43
And so indeed,
59
148000
2000
Şi astfel, într-adevăr
02:45
there are times when we can find ingredients
60
150000
2000
sunt cazuri în care putem identifica ingredientele
02:47
that [are] bad.
61
152000
2000
care sunt dăunătoare.
02:49
Cystic fibrosis is an example of a disease
62
154000
2000
Fibroza cistică este un exemplu de boală
02:51
where you just have a bad ingredient and you have a disease,
63
156000
3000
pentru care ştim ingredientul dăunător
02:54
and we can actually make a direct correspondence
64
159000
3000
şi putem efectiv să facem o corespondenţă directă
02:57
between the ingredient and the disease.
65
162000
3000
dintre ingredient şi boală.
03:00
But most things, you really have to know what's going on in the kitchen,
66
165000
3000
Dar în majoritatea cazurilor, chiar trebuie să afli ce se întâmplă în bucătărie,
03:03
because, mostly, sick people used to be healthy people --
67
168000
2000
deoarece, în general, persoanele bolnave au fost cândva sănătoase --
03:05
they have the same genome.
68
170000
2000
ele au acelaşi genom.
03:07
So the genome really tells you much more
69
172000
2000
Deci genomul indică mult mai multe
03:09
about predisposition.
70
174000
2000
despre predispoziţie.
03:11
So what you can tell
71
176000
2000
Astfel, ce se poate evidenţia
03:13
is you can tell the difference between an Asian person and a European person
72
178000
2000
este diferenţa dintre o persoana asiatică şi una europeană,
03:15
by looking at their ingredients list.
73
180000
2000
doar prin compararea listei de ingrediente.
03:17
But you really for the most part can't tell the difference
74
182000
3000
Dar, totuşi, în cele mai multe situaţii nu poţi să-ţi dai seama de diferenţa
03:20
between a healthy person and a sick person --
75
185000
3000
dintre o persoana sănătoasă şi una bolnavă --
03:23
except in some of these special cases.
76
188000
2000
cu excepţia unor cazuri speciale.
03:25
So why all the big deal
77
190000
2000
Aşadar de ce se face atâta caz
03:27
about genetics?
78
192000
2000
despre genetică?
03:29
Well first of all,
79
194000
2000
Ei bine, în primul rând,
03:31
it's because we can read it, which is fantastic.
80
196000
3000
deoarece îl putem citi, ceea ce este fantastic.
03:34
It is very useful in certain circumstances.
81
199000
3000
Este foarte util în anumite circumstanţe.
03:37
It's also the great theoretical triumph
82
202000
3000
De asemenea, reprezintă şi un triumf teoretic
03:40
of biology.
83
205000
2000
al biologiei.
03:42
It's the one theory
84
207000
2000
Este singura teorie
03:44
that the biologists ever really got right.
85
209000
2000
pe care biologii chiar au nimerit-o corect.
03:46
It's fundamental to Darwin
86
211000
2000
Fundamentează teoria lui Darwin
03:48
and Mendel and so on.
87
213000
2000
şi a lui Mendel şi aşa mai departe.
03:50
And so it's the one thing where they predicted a theoretical construct.
88
215000
3000
Şi astfel este singurul lucru pentru care au construit o teorie.
03:54
So Mendel had this idea of a gene
89
219000
2000
Mendel a avut ideea de genă,
03:56
as an abstract thing,
90
221000
3000
dar la nivel abstract.
03:59
and Darwin built a whole theory
91
224000
2000
Şi Darwin a construit o întreagă teorie
04:01
that depended on them existing,
92
226000
2000
care depindea de existenţa ei.
04:03
and then Watson and Crick
93
228000
2000
Apoi Watson şi Crick
04:05
actually looked and found one.
94
230000
2000
au cercetat şi chiar au găsit una.
04:07
So this happens in physics all the time.
95
232000
2000
Aşa se întâmplă mereu în fizică.
04:09
You predict a black hole,
96
234000
2000
Previzionezi o gaură neagră,
04:11
and you look out the telescope and there it is, just like you said.
97
236000
3000
te uiţi prin telescop şi iat-o, exact cum ai spus.
04:14
But it rarely happens in biology.
98
239000
2000
Dar, aceste lucruri se întâmplă rar în biologie.
04:16
So this great triumph -- it's so good,
99
241000
3000
Aşadar acest mare triumf -- este atât de important --
04:19
there's almost a religious experience
100
244000
2000
aproape că este o experienţă religioasă
04:21
in biology.
101
246000
2000
în biologie.
04:23
And Darwinian evolution
102
248000
2000
Teoria evoluţiei a lui Darwin
04:25
is really the core theory.
103
250000
3000
este chiar nucleul teoriei.
04:30
So the other reason it's been very popular
104
255000
2000
Alt motiv pentru care este foarte populară
04:32
is because we can measure it, it's digital.
105
257000
3000
se datorează faptului că poate fi măsurată, este digitală.
04:35
And in fact,
106
260000
2000
De fapt,
04:37
thanks to Kary Mullis,
107
262000
2000
mulţumită lui Kary Mullis,
04:39
you can basically measure your genome in your kitchen
108
264000
4000
îţi poţi măsura practic genomul în bucătăria ta
04:43
with a few extra ingredients.
109
268000
3000
cu câteva ingrediente în plus.
04:46
So for instance, by measuring the genome,
110
271000
3000
De exemplu, prin măsurarea genomului,
04:49
we've learned a lot about how we're related to other kinds of animals
111
274000
4000
am învăţat foarte multe despre înrudirea cu alte animale
04:53
by the closeness of our genome,
112
278000
3000
datorită genoamelor asemnănătoare,
04:56
or how we're related to each other -- the family tree,
113
281000
3000
sau cum suntem înrudiţi între noi -- arborele genealogic,
04:59
or the tree of life.
114
284000
2000
sau copacul vieţii.
05:01
There's a huge amount of information about the genetics
115
286000
3000
Există o cantitate mare de informaţii despre genetică
05:04
just by comparing the genetic similarity.
116
289000
3000
doar prin compararea similitudinilor genetice.
05:07
Now of course, in medical application,
117
292000
2000
Acum, bineînţeles, ca aplicaţie în medicină,
05:09
that is very useful
118
294000
2000
este foarte util
05:11
because it's the same kind of information
119
296000
3000
deoarece este acelaşi tip de informaţie
05:14
that the doctor gets from your family medical history --
120
299000
3000
pe care doctorul o extrage din istoricul medical al familiei tale --
05:17
except probably,
121
302000
2000
doar că probabil
05:19
your genome knows much more about your medical history than you do.
122
304000
3000
genomul tău ştie mai multe despre istoricul tău medical decât tine.
05:22
And so by reading the genome,
123
307000
2000
Aşadar prin citirea genomului,
05:24
we can find out much more about your family than you probably know.
124
309000
3000
putem afla mult mai multe despre familia ta decât probabil ştii tu.
05:27
And so we can discover things
125
312000
2000
Putem descoperi lucruri,
05:29
that probably you could have found
126
314000
2000
pe care probabil tu le-ai fi putut afla
05:31
by looking at enough of your relatives,
127
316000
2000
doar privind cu atenţie la rudele tale,
05:33
but they may be surprising.
128
318000
3000
dar care pot fi surprinzătoare.
05:36
I did the 23andMe thing
129
321000
2000
Am aplicat metoda 23andMe (23şiEu)
05:38
and was very surprised to discover that I am fat and bald.
130
323000
3000
şi am fost uimit să descopăr că sunt gras şi chel.
05:41
(Laughter)
131
326000
7000
(Râsete)
05:48
But sometimes you can learn much more useful things about that.
132
333000
3000
Dar uneori poţi afla mult mai multe lucruri utile despre asta.
05:51
But mostly
133
336000
3000
Dar, în general,
05:54
what you need to know, to find out if you're sick,
134
339000
2000
ceea ce trebuie să ştii ca să afli dacă eşti bolnav
05:56
is not your predispositions,
135
341000
2000
nu este predispoziţia ta,
05:58
but it's actually what's going on in your body right now.
136
343000
3000
ci de fapt ceea ce se întâmplă în corpul tău chiar acum.
06:01
So to do that, what you really need to do,
137
346000
2000
Pentru asta, ceea ce trebuie făcut,
06:03
you need to look at the things
138
348000
2000
este să priveşti lucrurile
06:05
that the genes are producing
139
350000
2000
pe care genele le produc
06:07
and what's happening after the genetics,
140
352000
2000
şi ce se întâmplă dincolo de genetică.
06:09
and that's what proteomics is about.
141
354000
2000
Şi asta înseamnă proteomica.
06:11
Just like genome mixes the study of all the genes,
142
356000
3000
Aşa cum genomul îmbină studiul tuturor genelor,
06:14
proteomics is the study of all the proteins.
143
359000
3000
proteomica studiază toate proteinele.
06:17
And the proteins are all of the little things in your body
144
362000
2000
Proteinele sunt toate chestiile mici din corpul tău
06:19
that are signaling between the cells --
145
364000
3000
care poartă semnalele între celule --
06:22
actually, the machines that are operating --
146
367000
2000
de fapt maşinile care operează.
06:24
that's where the action is.
147
369000
2000
Acolo este toată acţiunea.
06:26
Basically, a human body
148
371000
3000
De fapt, corpul uman
06:29
is a conversation going on,
149
374000
3000
este o conversaţie continuă
06:32
both within the cells and between the cells,
150
377000
3000
atât în interiorul celulelor cât şi între celule,
06:35
and they're telling each other to grow and to die,
151
380000
3000
ele spunându-şi una alteia să crească şi să moară.
06:38
and when you're sick,
152
383000
2000
Atunci când eşti bolnav,
06:40
something's gone wrong with that conversation.
153
385000
2000
ceva nu merge bine în conversaţia asta.
06:42
And so the trick is --
154
387000
2000
Şi şmecheria este --
06:44
unfortunately, we don't have an easy way to measure these
155
389000
3000
din păcate, nu avem o metodă simplă de măsurare a acestora,
06:47
like we can measure the genome.
156
392000
2000
la fel cum facem în cazul genomului.
06:49
So the problem is that measuring --
157
394000
3000
Aşadar, problema este măsurarea --
06:52
if you try to measure all the proteins, it's a very elaborate process.
158
397000
3000
dacă încercăm să măsurăm toate proteinele, vom avea parte un proces elaborat.
06:55
It requires hundreds of steps,
159
400000
2000
Necesită sute de paşi,
06:57
and it takes a long, long time.
160
402000
2000
şi durează foarte, foarte mult.
06:59
And it matters how much of the protein it is.
161
404000
2000
Şi contează cantitatea de proteină.
07:01
It could be very significant that a protein changed by 10 percent,
162
406000
3000
Poate fi foarte semnificativ faptul că o proteină s-a modificat cu 10%
07:04
so it's not a nice digital thing like DNA.
163
409000
3000
deci nu este un lucru digital precum ADN-ul.
07:07
And basically our problem is somebody's in the middle
164
412000
2000
De fapt, problema noastră este că cineva aflat la mijlocul
07:09
of this very long stage,
165
414000
2000
acestui proces foarte lung,
07:11
they pause for just a moment,
166
416000
2000
se poate opri pentru un simplu moment
07:13
and they leave something in an enzyme for a second,
167
418000
2000
şi să lase ceva într-o enzimă, doar pentru o secundă
07:15
and all of a sudden all the measurements from then on
168
420000
2000
şi instantaneu toate măsurătorile făcute ulterior
07:17
don't work.
169
422000
2000
nu mai merg.
07:19
And so then people get very inconsistent results
170
424000
2000
În acest fel, se obţin rezultate foarte inconsistente
07:21
when they do it this way.
171
426000
2000
când este aplicată aceasta metodă.
07:23
People have tried very hard to do this.
172
428000
2000
Oamenii au încercat din răsputeri să facă asta.
07:25
I tried this a couple of times
173
430000
2000
Până şi eu am încercat de câteva ori
07:27
and looked at this problem and gave up on it.
174
432000
2000
şi lovindu-mă de această problemă am ajuns să renunţ.
07:29
I kept getting this call from this oncologist
175
434000
2000
Pe mine mă tot suna un oncologist
07:31
named David Agus.
176
436000
2000
pe nume David Agus.
07:33
And Applied Minds gets a lot of calls
177
438000
3000
La Applied Minds primim foarte multe apeluri
07:36
from people who want help with their problems,
178
441000
2000
de la persoane care doresc sprijin pentru problemele lor
07:38
and I didn't think this was a very likely one to call back,
179
443000
3000
şi nu mă gândisem ca acesta era un apel de returnat,
07:41
so I kept on giving him to the delay list.
180
446000
3000
aşa că tot îl puneam pe lista de aşteptare.
07:44
And then one day,
181
449000
2000
Dar într-o zi
07:46
I get a call from John Doerr, Bill Berkman
182
451000
2000
am primit un telefon de la John Doerr, Bill Berkman
07:48
and Al Gore on the same day
183
453000
2000
şi Al Gore, toate în aceeaşi zi
07:50
saying return David Agus's phone call.
184
455000
2000
şi toţi îmi spuneau să îl sun pe David Agus.
07:52
(Laughter)
185
457000
2000
(Râsete)
07:54
So I was like, "Okay. This guy's at least resourceful."
186
459000
2000
Şi eu am spus, "În regulă. Acest tip cel puţin are resurse."
07:56
(Laughter)
187
461000
4000
(Râsete)
08:00
So we started talking,
188
465000
2000
Şi am început să discutăm,
08:02
and he said, "I really need a better way to measure proteins."
189
467000
3000
iar el a spus, "Chiar am nevoie de o modalitate prin care să măsor proteinele."
08:05
I'm like, "Looked at that. Been there.
190
470000
2000
Eu am fost ceva de genul, "Ca să vezi. Eu deja am făcut asta.
08:07
Not going to be easy."
191
472000
2000
Nu va fi uşor."
08:09
He's like, "No, no. I really need it.
192
474000
2000
Iar a spus,"Nu, nu. Chiar am nevoie de aşa ceva.
08:11
I mean, I see patients dying every day
193
476000
4000
Adică, văd pacienţi murind în fiecare zi
08:15
because we don't know what's going on inside of them.
194
480000
3000
deoarece nu ştim ce se întâmplă în corpul lor.
08:18
We have to have a window into this."
195
483000
2000
Trebuie să avem o fereastră prin care să privim înăuntru."
08:20
And he took me through
196
485000
2000
Şi m-a purtat prin
08:22
specific examples of when he really needed it.
197
487000
3000
câteva exemple clare când ar fi avut nevoie de această metodă.
08:25
And I realized, wow, this would really make a big difference,
198
490000
2000
Şi am realizat, wow, chiar ar putea conta cu adevărat,
08:27
if we could do it,
199
492000
2000
dacă am putea să o facem.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
Şi atunci am spus, "Ei bine, hai să încercăm."
08:31
Applied Minds has enough play money
201
496000
2000
Applied Minds dispune de bani suficienţi
08:33
that we can go and just work on something
202
498000
2000
pe care putem conta şi avem posibilitatea să lucrăm la ceva
08:35
without getting anybody's funding or permission or anything.
203
500000
3000
fără să primim fonduri de la altcineva, sau să cerem permisiunea sau ceva de genul.
08:38
So we started playing around with this.
204
503000
2000
Aşa că ne-am apucat să cercetăm în direcţia asta.
08:40
And as we did it, we realized this was the basic problem --
205
505000
3000
Şi pe măsură ce o făceam, ne-am dat seama că era o problemă de bază --
08:43
that taking the sip of coffee --
206
508000
2000
de la o înghițitură de cafea --
08:45
that there were humans doing this complicated process
207
510000
2000
că oamenii realizează acest proces complicat
08:47
and that what really needed to be done
208
512000
2000
și ceea ce trebuie făcut cu adevărat
08:49
was to automate this process like an assembly line
209
514000
3000
este automatizarea acestui proces, similar unei linii de asamblare
08:52
and build robots
210
517000
2000
și construirea unor roboți
08:54
that would measure proteomics.
211
519000
2000
ce vor măsura proteomica.
08:56
And so we did that,
212
521000
2000
Și așa am făcut.
08:58
and working with David,
213
523000
2000
Lucrând cu David,
09:00
we made a little company called Applied Proteomics eventually,
214
525000
3000
am înfiinţat o companie mică denumită Applied Proteomics (Proteomică Aplicată),
09:03
which makes this robotic assembly line,
215
528000
3000
care produce această linie de asamblare robotizată,
09:06
which, in a very consistent way, measures the protein.
216
531000
3000
care, într-un mod foarte concret, măsoară proteinele.
09:09
And I'll show you what that protein measurement looks like.
217
534000
3000
Și am să vă arăt cum arată măsurarea proteinelor.
09:13
Basically, what we do
218
538000
2000
De fapt, ceea ce facem
09:15
is we take a drop of blood
219
540000
2000
este să luăm o picătură de sânge
09:17
out of a patient,
220
542000
2000
de la un pacient
09:19
and we sort out the proteins
221
544000
2000
și sortăm proteinele
09:21
in the drop of blood
222
546000
2000
din această picătură de sânge
09:23
according to how much they weigh,
223
548000
2000
conform greutăţii,
09:25
how slippery they are,
224
550000
2000
cât de alunecoase sunt
09:27
and we arrange them in an image.
225
552000
3000
și le aranjăm ca în imaginea afișată.
09:30
And so we can look at literally
226
555000
2000
Astfel, ne putem uita în acelaşi timp, la propriu,
09:32
hundreds of thousands of features at once
227
557000
2000
la sute de mii de caracteristici
09:34
out of that drop of blood.
228
559000
2000
existente în acea picătură de sânge.
09:36
And we can take a different one tomorrow,
229
561000
2000
Și putem preleva una diferită mâine,
09:38
and you will see your proteins tomorrow will be different --
230
563000
2000
și vei observa că proteinele de mâine sunt diferite --
09:40
they'll be different after you eat or after you sleep.
231
565000
3000
vor fi diferite după ce mănânci sau după ce dormi.
09:43
They really tell us what's going on there.
232
568000
3000
Ele chiar ne spun cu adevărat ce se întâmplă acolo.
09:46
And so this picture,
233
571000
2000
Această imagine,
09:48
which looks like a big smudge to you,
234
573000
2000
care arată ca o mare mâzgăleală,
09:50
is actually the thing that got me really thrilled about this
235
575000
4000
este de fapt lucrul care m-a încântat de-a dreptul
09:54
and made me feel like we were on the right track.
236
579000
2000
și m-a făcut să simt că ne aflăm pe drumul cel bun.
09:56
So if I zoom into that picture,
237
581000
2000
Dacă măresc imaginea,
09:58
I can just show you what it means.
238
583000
2000
vă pot arăta exact ce semnifică.
10:00
We sort out the proteins -- from left to right
239
585000
3000
Am sortat proteinele -- de la stânga la dreapta
10:03
is the weight of the fragments that we're getting,
240
588000
3000
este greutatea fragmentelor obținute.
10:06
and from top to bottom is how slippery they are.
241
591000
3000
Și de sus în jos vedem cât de alunecoase sunt.
10:09
So we're zooming in here just to show you a little bit of it.
242
594000
3000
Mărim aici pentru a vă putea arăta o mică parte din ea.
10:12
And so each of these lines
243
597000
2000
Și fiecare dintre aceste linii
10:14
represents some signal that we're getting out of a piece of a protein.
244
599000
3000
reprezintă un anumit semnal pe care îl primim de la o parte din proteină.
10:17
And you can see how the lines occur
245
602000
2000
Și puteți observa cum apar liniile
10:19
in these little groups of bump, bump, bump, bump, bump.
246
604000
4000
în aceste grupuri mici de pete.
10:23
And that's because we're measuring the weight so precisely that --
247
608000
3000
Și asta pentru că măsurăm greutatea atât de precis încât --
10:26
carbon comes in different isotopes,
248
611000
2000
carbonul are diferiți izotopi,
10:28
so if it has an extra neutron on it,
249
613000
3000
iar dacă ar avea un neutron in plus,
10:31
we actually measure it as a different chemical.
250
616000
4000
l-am măsura drept o altă substanță chimică.
10:35
So we're actually measuring each isotope as a different one.
251
620000
3000
De fapt, măsurăm fiecare izotop ca fiind unul diferit.
10:38
And so that gives you an idea
252
623000
3000
Așadar, vă puteți da seama
10:41
of how exquisitely sensitive this is.
253
626000
2000
cât de extrem de sensibil este.
10:43
So seeing this picture
254
628000
2000
Privind această imagine
10:45
is sort of like getting to be Galileo
255
630000
2000
este ca și cum am fi Galileo
10:47
and looking at the stars
256
632000
2000
privind stelele
10:49
and looking through the telescope for the first time,
257
634000
2000
prin telescop, pentru prima dată
10:51
and suddenly you say, "Wow, it's way more complicated than we thought it was."
258
636000
3000
și deodată am spune, ”Wow, este mult mai complicat decât am crezut că este.”
10:54
But we can see that stuff out there
259
639000
2000
Dar noi, de fapt, putem vedea substanța
10:56
and actually see features of it.
260
641000
2000
și chiar componentele sale.
10:58
So this is the signature out of which we're trying to get patterns.
261
643000
3000
Aceasta este semnătura din care încercăm să extragem un model.
11:01
So what we do with this
262
646000
2000
Ce am face cu acesta
11:03
is, for example, we can look at two patients,
263
648000
2000
este, de exemplu, să analizăm doi pacienți,
11:05
one that responded to a drug and one that didn't respond to a drug,
264
650000
3000
unul care răspunde la un medicament și altul care nu răspunde la medicament,
11:08
and ask, "What's going on differently
265
653000
2000
și întrebăm, ”Ce este diferit
11:10
inside of them?"
266
655000
2000
în corpul celor doi?”
11:12
And so we can make these measurements precisely enough
267
657000
3000
Noi putem face măsurătorile suficient de precis
11:15
that we can overlay two patients and look at the differences.
268
660000
3000
încât să suprapunem rezultatele a doi pacienți și să căutam diferențele.
11:18
So here we have Alice in green
269
663000
2000
Aici o avem pe Alice, cu verde,
11:20
and Bob in red.
270
665000
2000
şi pe Bob, cu roșu.
11:22
We overlay them. This is actual data.
271
667000
3000
Le suprapunem. Acestea sunt date reale.
11:25
And you can see, mostly it overlaps and it's yellow,
272
670000
3000
După cum observați, în mare parte se suprapun și avem culoarea galben,
11:28
but there's some things that just Alice has
273
673000
2000
dar sunt niște aspecte pe care doar Alice le prezintă
11:30
and some things that just Bob has.
274
675000
2000
și altele pe care le are doar Bob.
11:32
And if we find a pattern of things
275
677000
3000
Dacă am găsi un model al aspectelor
11:35
of the responders to the drug,
276
680000
3000
pe care le au respondenții la medicament,
11:38
we see that in the blood,
277
683000
2000
am vedea că în sânge
11:40
they have the condition
278
685000
2000
ei au condția
11:42
that allows them to respond to this drug.
279
687000
2000
care le permite să răspundă la acel medicament.
11:44
We might not even know what this protein is,
280
689000
2000
S-ar putea să nu știm care este proteina aceasta,
11:46
but we can see it's a marker
281
691000
2000
dar putem observa că este un indicator
11:48
for the response to the disease.
282
693000
2000
pentru răspunsul la maladie.
11:53
So this already, I think,
283
698000
2000
Cred că acest lucru, este deja
11:55
is tremendously useful in all kinds of medicine.
284
700000
3000
extrem de util în toate tipurile de medicină.
11:58
But I think this is actually
285
703000
2000
Dar cred că este de fapt
12:00
just the beginning
286
705000
2000
doar începutul
12:02
of how we're going to treat cancer.
287
707000
2000
modului în care vom trata cancerul.
12:04
So let me move to cancer.
288
709000
2000
Acum permiteţi-mi să trec la cancer.
12:06
The thing about cancer --
289
711000
2000
Treaba cu cancerul --
12:08
when I got into this,
290
713000
2000
când m-am apucat de asta,
12:10
I really knew nothing about it,
291
715000
2000
chiar nu știam nimic despre el,
12:12
but working with David Agus,
292
717000
2000
dar lucrând cu David Agus,
12:14
I started watching how cancer was actually being treated
293
719000
3000
am început să ma uit la cum este de fapt tratat
12:17
and went to operations where it was being cut out.
294
722000
3000
și am fost în săli de operație, unde era îndepărtat chirurgical.
12:20
And as I looked at it,
295
725000
2000
Și pe măsură ce priveam,
12:22
to me it didn't make sense
296
727000
2000
pentru mine nu avea sens
12:24
how we were approaching cancer,
297
729000
2000
modul în care abordăm cancerul.
12:26
and in order to make sense of it,
298
731000
3000
Așadar pentru a avea un sens,
12:29
I had to learn where did this come from.
299
734000
3000
a trebuit să învăț de ce procedăm așa.
12:32
We're treating cancer almost like it's an infectious disease.
300
737000
4000
Tratăm cancerul ca pe orice boală infecțioasă.
12:36
We're treating it as something that got inside of you
301
741000
2000
Îl tratăm ca pe ceva care ar fi intrat în noi
12:38
that we have to kill.
302
743000
2000
și pe care trebuie să îl omorâm.
12:40
So this is the great paradigm.
303
745000
2000
Aceasta este marea lecţie.
12:42
This is another case
304
747000
2000
Acesta este un alt caz
12:44
where a theoretical paradigm in biology really worked --
305
749000
2000
în care o paradigmă teoretică din biologie chiar funcționează --
12:46
was the germ theory of disease.
306
751000
3000
teoria microbilor ca sursă a bolilor.
12:49
So what doctors are mostly trained to do
307
754000
2000
În general, ceea ce doctorii sunt instruiți să facă
12:51
is diagnose --
308
756000
2000
este să diagnosticheze --
12:53
that is, put you into a category
309
758000
2000
adică să te pună într-o categorie --
12:55
and apply a scientifically proven treatment
310
760000
2000
și să îți aplice un tratament dovedit științific
12:57
for that diagnosis --
311
762000
2000
pentru acel diagnostic.
12:59
and that works great for infectious diseases.
312
764000
3000
Și asta merge de minune pentru bolile infecțioase.
13:02
So if we put you in the category
313
767000
2000
Cu alte cuvinte, dacă te punem în categoria
13:04
of you've got syphilis, we can give you penicillin.
314
769000
3000
sifilisului, îți dăm penicilină.
13:07
We know that that works.
315
772000
2000
Știm că funcționează.
13:09
If you've got malaria, we give you quinine
316
774000
2000
Dacă ai malarie, îți dăm chinină,
13:11
or some derivative of it.
317
776000
2000
sau un derivat al acesteia.
13:13
And so that's the basic thing doctors are trained to do,
318
778000
3000
Așa sunt instruiți doctorii să facă.
13:16
and it's miraculous
319
781000
2000
Și este miraculos
13:18
in the case of infectious disease --
320
783000
3000
în cazul bolilor infecțioase --
13:21
how well it works.
321
786000
2000
cât de bine funcționează.
13:23
And many people in this audience probably wouldn't be alive
322
788000
3000
Multe persoane din audiență probabil nu ar fi în viață
13:26
if doctors didn't do this.
323
791000
2000
dacă doctorii nu ar fi făcut asta.
13:28
But now let's apply that
324
793000
2000
Să aplicăm această practică
13:30
to systems diseases like cancer.
325
795000
2000
la bolile de sistem, precum cancerul.
13:32
The problem is that, in cancer,
326
797000
2000
Problema este că, la cancer,
13:34
there isn't something else
327
799000
2000
nu este altceva
13:36
that's inside of you.
328
801000
2000
în corpul tău.
13:38
It's you; you're broken.
329
803000
2000
Tu ești, tu ești defect.
13:40
That conversation inside of you
330
805000
4000
Conversația din interiorul tău
13:44
got mixed up in some way.
331
809000
2000
s-a defectat într-un fel.
13:46
So how do we diagnose that conversation?
332
811000
2000
Cum diagnosticăm acea conversație?
13:48
Well, right now what we do is we divide it by part of the body --
333
813000
3000
Ei bine, acum le clasificăm pe părți ale corpului --
13:51
you know, where did it appear? --
334
816000
3000
adică acolo unde au apărut prima dată --
13:54
and we put you in different categories
335
819000
2000
și te punem în categorii diferite
13:56
according to the part of the body.
336
821000
2000
în funcție de partea corpului.
13:58
And then we do a clinical trial
337
823000
2000
Apoi facem un test clinic
14:00
for a drug for lung cancer
338
825000
2000
pentru un medicament împotriva cancerului la plamâni
14:02
and one for prostate cancer and one for breast cancer,
339
827000
3000
și unul pentru cancerul la prostată și unul pentru cancerul la sân,
14:05
and we treat these as if they're separate diseases
340
830000
3000
apoi le tratăm pe acestea ca și cum ar fi boli separate
14:08
and that this way of dividing them
341
833000
2000
și acest mod de a le clasifica
14:10
had something to do with what actually went wrong.
342
835000
2000
are, de fapt, legătură cu ceea ce nu funcționează.
14:12
And of course, it really doesn't have that much to do
343
837000
2000
Bineînțeles, nu prea are multă legătură
14:14
with what went wrong
344
839000
2000
cu ceea ce nu funcționează bine.
14:16
because cancer is a failure of the system.
345
841000
3000
Deoarece cancerul este o defecțiune a sistemului.
14:19
And in fact, I think we're even wrong
346
844000
2000
De fapt, cred că greșim chiar şi atunci când
14:21
when we talk about cancer as a thing.
347
846000
3000
vorbim despre cancer ca despre un lucru.
14:24
I think this is the big mistake.
348
849000
2000
Cred că este o mare greșeală.
14:26
I think cancer should not be a noun.
349
851000
4000
Cancer nu ar trebui să fie un substantiv.
14:30
We should talk about cancering
350
855000
2000
Ar trebui să discutăm despre cancerizare
14:32
as something we do, not something we have.
351
857000
3000
ca despre un lucru pe care îl facem, nu ca despre un lucru pe care îl avem.
14:35
And so those tumors,
352
860000
2000
Astfel, aceste tumori,
14:37
those are symptoms of cancer.
353
862000
2000
sunt simptomele cancerului.
14:39
And so your body is probably cancering all the time,
354
864000
3000
Corpul tău probabil cancerizează tot timpul.
14:42
but there are lots of systems in your body
355
867000
3000
Dar că există multe sisteme în corpul tău
14:45
that keep it under control.
356
870000
2000
care îl țin sub control.
14:47
And so to give you an idea
357
872000
2000
Pentru a vă oferi o idee
14:49
of an analogy of what I mean
358
874000
2000
despre analogia pe care o fac
14:51
by thinking of cancering as a verb,
359
876000
3000
gândindu-ne la cancerizare ca un verb,
14:54
imagine we didn't know anything about plumbing,
360
879000
3000
imaginați-vă că nu știm absolut nimic despre instalații
14:57
and the way that we talked about it,
361
882000
2000
și modul în care discutăm despre ele,
14:59
we'd come home and we'd find a leak in our kitchen
362
884000
3000
când ajungem acasă și găsim o scurgere în bucătărie
15:02
and we'd say, "Oh, my house has water."
363
887000
4000
şi spunem, ”Ah, casa mea are apă.”
15:06
We might divide it -- the plumber would say, "Well, where's the water?"
364
891000
3000
Clasificăm problema -- instalatorul ar spune ”E bine, unde este apa?”
15:09
"Well, it's in the kitchen." "Oh, you must have kitchen water."
365
894000
3000
”Păi, este în bucătărie.” ”Ah, atunci aveți apă de bucătărie.”
15:12
That's kind of the level at which it is.
366
897000
3000
Cam la acest nivel vorbim.
15:15
"Kitchen water,
367
900000
2000
”Apă de bucătărie?
15:17
well, first of all, we'll go in there and we'll mop out a lot of it.
368
902000
2000
Ei bine, înainte de orice, mergem acolo și ștergem toată apa.
15:19
And then we know that if we sprinkle Drano around the kitchen,
369
904000
3000
Apoi știm că dacă stropim cu Draino prin bucătărie,
15:22
that helps.
370
907000
3000
ne va ajuta.
15:25
Whereas living room water,
371
910000
2000
Când vine vorba despre apa din sufragerie,
15:27
it's better to do tar on the roof."
372
912000
2000
este mai bine sa gudronăm acoperișul.”
15:29
And it sounds silly,
373
914000
2000
Şi sună prostește,
15:31
but that's basically what we do.
374
916000
2000
dar asta este de fapt ceea ce facem.
15:33
And I'm not saying you shouldn't mop up your water if you have cancer,
375
918000
3000
Nu spun că nu trebuie curățată apa dacă ai cancer.
15:36
but I'm saying that's not really the problem;
376
921000
3000
Dar spun că nu aceasta este problema cu adevărat;
15:39
that's the symptom of the problem.
377
924000
2000
ci doar simptomul problemei.
15:41
What we really need to get at
378
926000
2000
Trebuie, în realitate, să ajungem la
15:43
is the process that's going on,
379
928000
2000
procesul care se desfășoară
15:45
and that's happening at the level
380
930000
2000
și care are loc la nivelul
15:47
of the proteonomic actions,
381
932000
2000
acțiunii proteonomice,
15:49
happening at the level of why is your body not healing itself
382
934000
3000
care are loc la nivelul la care întrebăm de ce corpul nu se mai vindecă singur
15:52
in the way that it normally does?
383
937000
2000
aşa cum face în mod normal?
15:54
Because normally, your body is dealing with this problem all the time.
384
939000
3000
Deoarece, în mod normal, organismul tău se confruntă cu această problemă tot timpul.
15:57
So your house is dealing with leaks all the time,
385
942000
3000
Așa cum casa se confruntă cu scurgeri tot timpul.
16:00
but it's fixing them. It's draining them out and so on.
386
945000
4000
Dar le repară. Le drenează și tot așa.
16:04
So what we need
387
949000
3000
În concluzie, ceea ce este necesar
16:07
is to have a causative model
388
952000
4000
este să avem un model cauzal
16:11
of what's actually going on,
389
956000
2000
a ceea ce se întâmplă în realitate.
16:13
and proteomics actually gives us
390
958000
3000
Proteomica ne oferă de fapt
16:16
the ability to build a model like that.
391
961000
3000
abilitatea de a construi un model ca acesta.
16:19
David got me invited
392
964000
2000
David mi-a obţinut o invitaţie
16:21
to give a talk at National Cancer Institute
393
966000
2000
ca să susțin o prelegere la Institutul Național al Cancerului
16:23
and Anna Barker was there.
394
968000
3000
şi Anna Barker era acolo.
16:27
And so I gave this talk
395
972000
2000
Am susținut această prelegere
16:29
and said, "Why don't you guys do this?"
396
974000
3000
și am întrebat, ”De ce nu faceți așa?”
16:32
And Anna said,
397
977000
2000
Anna a răspuns,
16:34
"Because nobody within cancer
398
979000
3000
”Deoarece nimeni din domeniul cancerului
16:37
would look at it this way.
399
982000
2000
nu ar privi lucrurile din aceasta perspectiva.
16:39
But what we're going to do, is we're going to create a program
400
984000
3000
Dar ce urmează să facem, este să creem un program
16:42
for people outside the field of cancer
401
987000
2000
pentru persoanele din afara domeniului cancerului,
16:44
to get together with doctors
402
989000
2000
care să facă echipă cu doctorii
16:46
who really know about cancer
403
991000
3000
care cunosc multe despre cancer
16:49
and work out different programs of research."
404
994000
4000
și să lucreze în diferite programe de cercetare.”
16:53
So David and I applied to this program
405
998000
2000
Aşa că împreună cu David am aplicat pentru acest program
16:55
and created a consortium
406
1000000
2000
și am creat un consorțiu
16:57
at USC
407
1002000
2000
la USC (University of Southern California),
16:59
where we've got some of the best oncologists in the world
408
1004000
3000
unde avem câţiva dintre cei mai buni oncologiști din lume
17:02
and some of the best biologists in the world,
409
1007000
3000
și o parte din cei mai buni biologi din lume,
17:05
from Cold Spring Harbor,
410
1010000
2000
de la Cold Spring Harbor,
17:07
Stanford, Austin --
411
1012000
2000
Stanford, Austin --
17:09
I won't even go through and name all the places --
412
1014000
3000
nu voi trece în revistă toate numele instituțiilor --
17:12
to have a research project
413
1017000
3000
pentru un proiect de cercetare,
17:15
that will last for five years
414
1020000
2000
care va dura cinci ani,
17:17
where we're really going to try to build a model of cancer like this.
415
1022000
3000
în cadrul căruia vom încerca să construim un model pentru cancer în acest mod.
17:20
We're doing it in mice first,
416
1025000
2000
Pentru început vom face teste pe șoareci.
17:22
and we will kill a lot of mice
417
1027000
2000
Vom omorî foarte mulți șoareci
17:24
in the process of doing this,
418
1029000
2000
în procesul de cercetare,
17:26
but they will die for a good cause.
419
1031000
2000
dar vor muri pentru cauză bună.
17:28
And we will actually try to get to the point
420
1033000
3000
Astfel, încercăm să ajungem în punctul
17:31
where we have a predictive model
421
1036000
2000
în care vom obține un model predictiv
17:33
where we can understand,
422
1038000
2000
pe baza căruia putem înțelege
17:35
when cancer happens,
423
1040000
2000
când apare cancerul,
17:37
what's actually happening in there
424
1042000
2000
ce se întâmplă acolo
17:39
and which treatment will treat that cancer.
425
1044000
3000
și ce tratament este necesar pentru vindecare.
17:42
So let me just end with giving you a little picture
426
1047000
3000
În final, voi încheia prezentându-vă o imagine
17:45
of what I think cancer treatment will be like in the future.
427
1050000
3000
a ceea ce cred eu că va fi tratamentul cancerului în viitor.
17:48
So I think eventually,
428
1053000
2000
Cred că într-un final,
17:50
once we have one of these models for people,
429
1055000
2000
odată ce avem aceste modele pentru oameni,
17:52
which we'll get eventually --
430
1057000
2000
pe care le vom obţine într-un final --
17:54
I mean, our group won't get all the way there --
431
1059000
2000
adică, grupul nostru nu va ajunge până acolo --
17:56
but eventually we'll have a very good computer model --
432
1061000
3000
dar într-un final vom avea un model computerizat foarte bun --
17:59
sort of like a global climate model for weather.
433
1064000
3000
ceva similar cu modelul climei globale pentru vreme.
18:02
It has lots of different information
434
1067000
3000
Conține foarte multe informații diferite
18:05
about what's the process going on in this proteomic conversation
435
1070000
3000
despre procesul care are loc în această conversație proteomică
18:08
on many different scales.
436
1073000
2000
la multe scale diferite.
18:10
And so we will simulate
437
1075000
2000
Vom simula
18:12
in that model
438
1077000
2000
în acel model
18:14
for your particular cancer --
439
1079000
3000
pentru cancerul tău specific --
18:17
and this also will be for ALS,
440
1082000
2000
la fel şi pentru scleroză amiotrofică laterală
18:19
or any kind of system neurodegenerative diseases,
441
1084000
3000
sau orice altă maladie neurodegenerativă a sistemului,
18:22
things like that --
442
1087000
2000
boli similare --
18:24
we will simulate
443
1089000
2000
vom simula
18:26
specifically you,
444
1091000
2000
doar pentru tine, în mod specific,
18:28
not just a generic person,
445
1093000
2000
nu doar pentru o persoană generică,
18:30
but what's actually going on inside you.
446
1095000
2000
ci doar pentru ce se întâmplă în interiorul tău.
18:32
And in that simulation, what we could do
447
1097000
2000
În această simulare, ceea ce putem face
18:34
is design for you specifically
448
1099000
2000
este să proiectăm specific pentru tine
18:36
a sequence of treatments,
449
1101000
2000
o secvență de tratamente,
18:38
and it might be very gentle treatments, very small amounts of drugs.
450
1103000
3000
care ar putea fi tratamente blânde, cu cantități foarte mici de medicamente.
18:41
It might be things like, don't eat that day,
451
1106000
3000
Ar putea fi ceva de genul, nu mânca în ziua respectivă,
18:44
or give them a little chemotherapy,
452
1109000
2000
sau să le facem o mică chimioterapie,
18:46
maybe a little radiation.
453
1111000
2000
sau poate o mică iradiere.
18:48
Of course, we'll do surgery sometimes and so on.
454
1113000
3000
Bineînțeles, că vom face operaţii uneori și așa mai departe.
18:51
But design a program of treatments specifically for you
455
1116000
3000
Dar, proiectarea unui program de tratamente specifice ție
18:54
and help your body
456
1119000
3000
și oferind ajutor corpului tău
18:57
guide back to health --
457
1122000
3000
să revină la starea de sănătate --
19:00
guide your body back to health.
458
1125000
2000
îți vei ghida corpul să redevină sănătos.
19:02
Because your body will do most of the work of fixing it
459
1127000
4000
Deoarece, corpul tău va face mare parte din munca de reparație proprie,
19:06
if we just sort of prop it up in the ways that are wrong.
460
1131000
3000
dacă îl sprijinim să îndrepte ceea ce este greșit.
19:09
We put it in the equivalent of splints.
461
1134000
2000
Ceva similar cu atelele.
19:11
And so your body basically has lots and lots of mechanisms
462
1136000
2000
Corpul uman dispune de foarte multe mecanisme
19:13
for fixing cancer,
463
1138000
2000
pentru tratarea cancerului,
19:15
and we just have to prop those up in the right way
464
1140000
3000
iar noi trebuie doar să le sprijinim corect
19:18
and get them to do the job.
465
1143000
2000
și să le punem la treabă.
19:20
And so I believe that this will be the way
466
1145000
2000
Cred că aceasta va fi metoda
19:22
that cancer will be treated in the future.
467
1147000
2000
prin care cancerul va fi tratat în viitor.
19:24
It's going to require a lot of work,
468
1149000
2000
Va necesita foarte multă muncă,
19:26
a lot of research.
469
1151000
2000
multă cercetare.
19:28
There will be many teams like our team
470
1153000
3000
Vor fi multe echipe la fel ca a noastră,
19:31
that work on this.
471
1156000
2000
care vor lucra la asta.
19:33
But I think eventually,
472
1158000
2000
Dar, într-un final, cred
19:35
we will design for everybody
473
1160000
2000
că vom proiecta pentru toată lumea
19:37
a custom treatment for cancer.
474
1162000
4000
un tratament personalizat pentru cancer.
19:41
So thank you very much.
475
1166000
2000
Vă mulțumesc foarte mult.
19:43
(Applause)
476
1168000
6000
(Aplauze)
ABOUT THE SPEAKER
Danny Hillis - Computer theoristInventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.
Why you should listen
Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.
Danny Hillis | Speaker | TED.com