TED2016
Riccardo Sabatini: How to read the genome and build a human being
Riccardo Sabatini: Genomu okuyarak bir insanı nasıl yaratabiliriz?
Filmed:
Readability: 3.6
1,834,677 views
Gizemler, hastalıklar ve güzellik denen şeylerin hepsi insanın genomunda yazılıdır, bir insanoğlunun yaratılabilmesi için gerekli olan tüm genetik yapı. Şimdi, bir bilim insanı ve girişimci olarak Riccardo Sabatini bize gösteriyor ki bir kan tüpüyle, bu karmaşık kodu okuyabilecek güce, boy, yaş hatta yüz yapısıyla ilgili şeyleri dahi tahmin edebilecek güce sahibiz. Sabatini'ye göre, yakın bir zaman içinde; genomu yeni çözümleme şeklimiz bizi, kanser gibi hastalıklarla mücadelede kişiye özel tedavi yöntemleri geliştirmemizi sağlayacak. Bu bildiğimiz yaşamı değiştirme gücüne sahibiz. Peki bunu nasıl kullanacağız?
Riccardo Sabatini - Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions. Full bio
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions. Full bio
Double-click the English transcript below to play the video.
Önümüzdeki 16 dakika boyunca,
sizi bir yolculuğa çıkaracağım.
sizi bir yolculuğa çıkaracağım.
00:12
For the next 16 minutes,
I'm going to take you on a journey
I'm going to take you on a journey
0
612
2762
00:15
that is probably
the biggest dream of humanity:
the biggest dream of humanity:
1
3398
3086
Yaşamın kodunu anlamak
muhtemelen insanlığın
muhtemelen insanlığın
00:18
to understand the code of life.
2
6508
2015
en büyük hayali olmuştur.
00:21
So for me, everything started
many, many years ago
many, many years ago
3
9072
2743
Benim için her şey uzun
yıllar önce
yıllar önce
00:23
when I met the first 3D printer.
4
11839
2723
3B yazıcılar ile tanıştığımda başladı.
00:26
The concept was fascinating.
5
14586
1674
Konsept muazzamdı.
00:28
A 3D printer needs three elements:
6
16284
2022
3B yazıcılar üç bileşene ihtiyaç duyar:
00:30
a bit of information, some
raw material, some energy,
raw material, some energy,
7
18330
4134
Birazcık bilgi, biraz ham madde,
biraz enerji.
biraz enerji.
00:34
and it can produce any object
that was not there before.
that was not there before.
8
22488
3334
Bunlarla birlikte yeni
bir nesneyi üretebilir.
bir nesneyi üretebilir.
00:38
I was doing physics,
I was coming back home
I was coming back home
9
26517
2137
Fizikle uğraşırken
00:40
and I realized that I actually
always knew a 3D printer.
always knew a 3D printer.
10
28678
3438
3B yazıcıların sanki hep bildiğim
bir şey olduğunu fark ettim.
bir şey olduğunu fark ettim.
00:44
And everyone does.
11
32140
1336
Herkes biliyordu.
00:45
It was my mom.
12
33500
1158
Annem bile.
00:46
(Laughter)
13
34682
1001
(Gülüşmeler)
00:47
My mom takes three elements:
14
35707
2414
Annem üç bileşeni kullanıyordu:
00:50
a bit of information, which is between
my father and my mom in this case,
my father and my mom in this case,
15
38145
3973
Biraz bilgi; yani babam ve
annem arasındaki bilgi,
annem arasındaki bilgi,
00:54
raw elements and energy
in the same media, that is food,
in the same media, that is food,
16
42142
4157
aynı ortamdaki ham madde ve enerji;
bu yemek oluyor
bu yemek oluyor
00:58
and after several months, produces me.
17
46323
2508
ve birkaç ay sonra, ben var oluyorum.
01:00
And I was not existent before.
18
48855
1812
Ben daha önce yoktum.
01:02
So apart from the shock of my mom
discovering that she was a 3D printer,
discovering that she was a 3D printer,
19
50691
3762
Annem kendisinin 3B yazıcı olduğunu
keşfetmesiyle şoke olması dışında,
keşfetmesiyle şoke olması dışında,
01:06
I immediately got mesmerized
by that piece,
by that piece,
20
54477
4738
bu parçadan çok etkilenmiştim.
01:11
the first one, the information.
21
59239
1717
İlk parça olan bilgiden.
01:12
What amount of information does it take
22
60980
2251
Ne kadar büyüklükteki bir veri
01:15
to build and assemble a human?
23
63255
1936
bir insanı inşa edip
bir araya getirebilirdi?
bir araya getirebilirdi?
01:17
Is it much? Is it little?
24
65215
1574
Çok mu? Az mı?
01:18
How many thumb drives can you fill?
25
66813
2180
Kaç tane flash belleği doldururdu?
01:21
Well, I was studying physics
at the beginning
at the beginning
26
69017
2624
Evet, başlarda fizikle uğraşıyordum
01:23
and I took this approximation of a human
as a gigantic Lego piece.
as a gigantic Lego piece.
27
71665
5597
ve bunu insanın dev bir Lego parçasına
benzerliği gibi düşündüm.
benzerliği gibi düşündüm.
01:29
So, imagine that the building
blocks are little atoms
blocks are little atoms
28
77286
3785
Şöyle ki, yapılan blokların küçük
atomlar olduğunu hayal edin
atomlar olduğunu hayal edin
01:33
and there is a hydrogen here,
a carbon here, a nitrogen here.
a carbon here, a nitrogen here.
29
81095
4653
ve burada bir hidrojen var,
karbon var, nitrojen var.
karbon var, nitrojen var.
01:37
So in the first approximation,
30
85772
1571
Başta tahminime göre şöyle düşündüm:
01:39
if I can list the number of atoms
that compose a human being,
that compose a human being,
31
87367
4343
İnsanoğlunu oluşturan atom numaralarını
listeye dökebilirsem
listeye dökebilirsem
01:43
I can build it.
32
91734
1387
bunu oluşturabilirim.
01:45
Now, you can run some numbers
33
93145
2029
Şimdi, birkaç sayı sayabilirsiniz
01:47
and that happens to be
quite an astonishing number.
quite an astonishing number.
34
95198
3277
ve bu bayağı büyük bir sayı olabilir.
01:50
So the number of atoms,
35
98499
2757
Yani küçücük bir bebeği
oluşturmak için aslında
oluşturmak için aslında
01:53
the file that I will save in my thumb
drive to assemble a little baby,
drive to assemble a little baby,
36
101280
4755
tüm Titanik'i dolduracak
kadar flash belleğe
kadar flash belleğe
01:58
will actually fill an entire Titanic
of thumb drives --
of thumb drives --
37
106059
4667
ihtiyacım var.
02:02
multiplied 2,000 times.
38
110750
2718
Hatta 2.000 katı.
02:05
This is the miracle of life.
39
113957
3401
Bu, hayatın mucizesi.
02:09
Every time you see from now on
a pregnant lady,
a pregnant lady,
40
117382
2612
Şu andan itibaren her gördüğünüz
gebe kadını,
gebe kadını,
02:12
she's assembling the biggest
amount of information
amount of information
41
120018
2856
görüp görebileceğiniz
en büyük veriyi bir araya
en büyük veriyi bir araya
getiren kişiler olarak düşünebilirsiniz.
02:14
that you will ever encounter.
42
122898
1556
02:16
Forget big data, forget
anything you heard of.
anything you heard of.
43
124478
2950
Yüksek hafızalı verileri, duyduğunuz
her şeyi unutun.
her şeyi unutun.
02:19
This is the biggest amount
of information that exists.
of information that exists.
44
127452
2881
Bu, var olan en büyük
miktardaki veri topluluğu.
miktardaki veri topluluğu.
02:22
(Applause)
45
130357
3833
(Alkışlar)
02:26
But nature, fortunately, is much smarter
than a young physicist,
than a young physicist,
46
134214
4644
Fakat doğa, neyse ki, genç bir
fizikçiden daha zeki
fizikçiden daha zeki
02:30
and in four billion years, managed
to pack this information
to pack this information
47
138882
3576
ve dört milyar yıl boyunca bu bilgiyi
DNA dediğimiz küçük kristalin içinde
DNA dediğimiz küçük kristalin içinde
02:34
in a small crystal we call DNA.
48
142482
2705
depolamayı başardı.
02:37
We met it for the first time in 1950
when Rosalind Franklin,
when Rosalind Franklin,
49
145605
4312
Onunla,1950'de; genç bir bilim insanı,
bir kadın, Rosalind Franklin'in
bir kadın, Rosalind Franklin'in
02:41
an amazing scientist, a woman,
50
149941
1556
onun bir resmini çekmesiyle
02:43
took a picture of it.
51
151521
1389
tanışmış olduk.
02:44
But it took us more than 40 years
to finally poke inside a human cell,
to finally poke inside a human cell,
52
152934
5188
Ancak bir insan hücresinin içine erişmemiz
40 yıldan fazla bir süreyi aldı.
40 yıldan fazla bir süreyi aldı.
02:50
take out this crystal,
53
158146
1602
Bundan kastım, bu kristal tanesini alıp,
02:51
unroll it, and read it for the first time.
54
159772
3080
açıp ilk kez okumaktan bahsediyorum.
02:55
The code comes out to be
a fairly simple alphabet,
a fairly simple alphabet,
55
163615
3241
Aslına bakarsanız bu kodun oldukça
kolay bir alfabesi var:
kolay bir alfabesi var:
02:58
four letters: A, T, C and G.
56
166880
3772
A, T, C ve G sadece dört harf var.
03:02
And to build a human,
you need three billion of them.
you need three billion of them.
57
170676
3490
Ve bir insan yaratabilmek için
onlardan üç milyarına ihtiyaç var.
onlardan üç milyarına ihtiyaç var.
03:06
Three billion.
58
174933
1179
Üç milyar.
03:08
How many are three billion?
59
176136
1579
Peki kaç tane üç milyar?
03:09
It doesn't really make
any sense as a number, right?
any sense as a number, right?
60
177739
2762
Rakam olarak bahsedince
pek anlaşılmıyor değil mi?
pek anlaşılmıyor değil mi?
03:12
So I was thinking how
I could explain myself better
I could explain myself better
61
180525
4085
Ben de böylesine devasa bir rakam
ile uğraşırken kendimi nasıl
ile uğraşırken kendimi nasıl
03:16
about how big and enormous this code is.
62
184634
3050
daha iyi ifade ederim diye düşünüyordum.
03:19
But there is -- I mean,
I'm going to have some help,
I'm going to have some help,
63
187708
3054
Şöyle ki - yani biraz yardıma
ihtiyacım olacak
ihtiyacım olacak
03:22
and the best person to help me
introduce the code
introduce the code
64
190786
3227
ve bana yardım edebilecek en iyi kişi
aslına bakarsanız
aslına bakarsanız
03:26
is actually the first man
to sequence it, Dr. Craig Venter.
to sequence it, Dr. Craig Venter.
65
194037
3522
Dr. Craig Venter, bunu ilk kez
sınıflandıran, düzenleyen kişi.
sınıflandıran, düzenleyen kişi.
03:29
So welcome onstage, Dr. Craig Venter.
66
197583
3390
Ve sahneye hoş geldiniz Dr.Craig Venter.
03:32
(Applause)
67
200997
6931
(Alkış)
03:39
Not the man in the flesh,
68
207952
2256
Bizzat kendisi değil,
03:43
but for the first time in history,
69
211448
2345
tarihte ilk defa
03:45
this is the genome of a specific human,
70
213817
3462
belirlediğimiz bir insanın
sayfa sayfa, harf harf
sayfa sayfa, harf harf
03:49
printed page-by-page, letter-by-letter:
71
217303
3760
görüntüsünü size sunuyorum.
03:53
262,000 pages of information,
72
221087
3996
262.000 sayfa bilgi,
03:57
450 kilograms, shipped
from the United States to Canada
from the United States to Canada
73
225107
4364
450 kg, Amerika'dan Kanada'ya
Bruno Bowden, yeni girişim Lulu.com
Bruno Bowden, yeni girişim Lulu.com
04:01
thanks to Bruno Bowden,
Lulu.com, a start-up, did everything.
Lulu.com, a start-up, did everything.
74
229495
4843
sayesinde getirildi.
04:06
It was an amazing feat.
75
234362
1463
İnanılmaz bir başarıydı.
04:07
But this is the visual perception
of what is the code of life.
of what is the code of life.
76
235849
4297
Ama bu yaşamın kodlanışını
görsel algılayışımızdır.
görsel algılayışımızdır.
04:12
And now, for the first time,
I can do something fun.
I can do something fun.
77
240170
2478
Şimdi ilk defa enteresan
bir şey yapacağım.
bir şey yapacağım.
04:14
I can actually poke inside it and read.
78
242672
2547
Bunlardan birine dadanıp okuyabilirim.
04:17
So let me take an interesting
book ... like this one.
book ... like this one.
79
245243
4625
İlginç bir kitap seçeyim...bunun gibi.
04:25
I have an annotation;
it's a fairly big book.
it's a fairly big book.
80
253077
2534
Şöyle bir bilgi vereyim;
bu bayağı bir büyük kitap.
bu bayağı bir büyük kitap.
04:27
So just to let you see
what is the code of life.
what is the code of life.
81
255635
3727
O hâlde bakalım yaşamımızın
kodlanması nasılmış.
kodlanması nasılmış.
04:32
Thousands and thousands and thousands
82
260566
3391
Binlerce ve binlerce ve binlerce
04:35
and millions of letters.
83
263981
2670
ve milyonlarca harf.
04:38
And they apparently make sense.
84
266675
2396
Elbette bu harflerin bir anlamı var.
04:41
Let's get to a specific part.
85
269095
1757
Şimdi asıl konuya gelelim.
04:43
Let me read it to you:
86
271571
1362
Size okuyayım:
04:44
(Laughter)
87
272957
1021
(Gülüşmeler)
04:46
"AAG, AAT, ATA."
88
274002
4006
"AAG, AAT, ATA."
04:50
To you it sounds like mute letters,
89
278965
2067
Size anlam ifade etmeyen harfler
gibi geliyor
gibi geliyor
04:53
but this sequence gives
the color of the eyes to Craig.
the color of the eyes to Craig.
90
281056
4041
ama bu dizilim bize Craig'in göz
rengini veriyor.
rengini veriyor.
04:57
I'll show you another part of the book.
91
285633
1932
Size kitabın başka bir yerini göstereyim.
04:59
This is actually a little
more complicated.
more complicated.
92
287589
2094
Bu biraz daha karışık aslında.
05:02
Chromosome 14, book 132:
93
290983
2647
Kromozom 14, 132. kitap:
05:05
(Laughter)
94
293654
2090
(Gülüşmeler)
05:07
As you might expect.
95
295768
1277
Tahmin edeceğiniz üzere.
05:09
(Laughter)
96
297069
3466
(Gülüşmeler)
05:14
"ATT, CTT, GATT."
97
302857
4507
"ATT, CTT, GATT."
05:20
This human is lucky,
98
308329
1687
Bu insan şanslı.
05:22
because if you miss just
two letters in this position --
two letters in this position --
99
310040
4517
Çünkü bu yerde sadece iki harf
eksik olsaydı --
eksik olsaydı --
05:26
two letters of our three billion --
100
314581
1877
yani üç milyar içerisinden iki harf --
05:28
he will be condemned
to a terrible disease:
to a terrible disease:
101
316482
2019
korkunç bir hastalığa yakalanırdı ve bu:
05:30
cystic fibrosis.
102
318525
1440
Kistik fibrozis.
05:31
We have no cure for it,
we don't know how to solve it,
we don't know how to solve it,
103
319989
3413
Tedavi edemiyoruz,
nasıl çözeceğimizi bilmiyoruz
nasıl çözeceğimizi bilmiyoruz
05:35
and it's just two letters
of difference from what we are.
of difference from what we are.
104
323426
3755
ve bu bizim şu anki hâlimizden
sadece iki harf farklı.
sadece iki harf farklı.
05:39
A wonderful book, a mighty book,
105
327585
2705
Mükemmel ve muazzam bir kitap.
Öyle bir kitap ki
Öyle bir kitap ki
05:43
a mighty book that helped me understand
106
331115
1998
bazı şeyleri anlamama yardımcı oldu
05:45
and show you something quite remarkable.
107
333137
2753
ve size dikkate değer bir şey
göstermeme olanak verdi.
göstermeme olanak verdi.
05:48
Every one of you -- what makes
me, me and you, you --
me, me and you, you --
108
336480
4435
Her biriniz; sizi siz, beni ben
yapan her şey
yapan her şey
05:52
is just about five million of these,
109
340939
2954
bunların beş milyonu içinde gizlidir,
05:55
half a book.
110
343917
1228
yani kitabın yarısı.
05:58
For the rest,
111
346015
1663
Gerisi içinse şunu diyebilirim,
05:59
we are all absolutely identical.
112
347702
2562
hepimiz birbirimizin benzeriyiz.
06:03
Five hundred pages
is the miracle of life that you are.
is the miracle of life that you are.
113
351008
4018
Beş yüz sayfa sizi
hayatın mucizesi hâline getirdi.
hayatın mucizesi hâline getirdi.
06:07
The rest, we all share it.
114
355050
2531
Geri kalanını hepimiz paylaşıyoruz.
06:09
So think about that again
when we think that we are different.
when we think that we are different.
115
357605
2909
Yani farklı olduğunuzu düşündüğüzde
bir kez daha düşünün.
bir kez daha düşünün.
06:12
This is the amount that we share.
116
360538
2221
Paylaştığımız miktar bu.
06:15
So now that I have your attention,
117
363441
3429
Yani şimdi ilginizi çektiğime göre,
06:18
the next question is:
118
366894
1359
bundan sonraki soru şu:
06:20
How do I read it?
119
368277
1151
Bunu nasıl okuyabilirim?
06:21
How do I make sense out of it?
120
369452
1509
Bundan nasıl anlam çıkarabilirim?
06:23
Well, for however good you can be
at assembling Swedish furniture,
at assembling Swedish furniture,
121
371409
4240
İsveç eşyalarını kurmada ne kadar
iyi olursanız olun,
iyi olursanız olun,
06:27
this instruction manual
is nothing you can crack in your life.
is nothing you can crack in your life.
122
375673
3563
bu kullanım kılavuzu ile
bir yere gelemezsiniz.
bir yere gelemezsiniz.
06:31
(Laughter)
123
379260
1603
(Gülüşmeler)
06:32
And so, in 2014, two famous TEDsters,
124
380887
3112
2014'te iki ünlü TED'ci
06:36
Peter Diamandis and Craig Venter himself,
125
384023
2540
Peter Diamandis ve Craig Venter
kendi başlarına
kendi başlarına
06:38
decided to assemble a new company.
126
386587
1927
bir şirket kurmaya karar verdiler.
Human Longevity'i hayata geçirdiler.
06:40
Human Longevity was born,
127
388538
1412
06:41
with one mission:
128
389974
1370
Tek misyonu vardı:
06:43
trying everything we can try
129
391368
1861
Denenebilecek her şeyi denemek,
06:45
and learning everything
we can learn from these books,
we can learn from these books,
130
393253
2759
sonrasında bu kitaplardan öğrenebilecek
her şeyi öğrenmek
her şeyi öğrenmek
06:48
with one target --
131
396036
1705
ve tek bir hedef vardı:
06:50
making real the dream
of personalized medicine,
of personalized medicine,
132
398862
2801
Kişiye özel ilaç hayalini
gerçekliğe kavuşturmak,
gerçekliğe kavuşturmak,
06:53
understanding what things
should be done to have better health
should be done to have better health
133
401687
3767
daha iyi bir sağlığa sahip olmak için
neler yapılabileceğini anlamak
neler yapılabileceğini anlamak
06:57
and what are the secrets in these books.
134
405478
2283
ve bu kitaplardaki gizemleri çözmek.
07:00
An amazing team, 40 data scientists
and many, many more people,
and many, many more people,
135
408329
4250
Harika bir ekip, 40 veri bilimcisi
ve onlarla çalışmanın
ve onlarla çalışmanın
07:04
a pleasure to work with.
136
412603
1350
bir zevk olduğu birçok insan.
07:05
The concept is actually very simple.
137
413977
2253
Aslında konsept oldukça sadeydi.
07:08
We're going to use a technology
called machine learning.
called machine learning.
138
416254
3158
Makine öğrenimi dediğimiz bir
teknoloji kullanacağız.
teknoloji kullanacağız.
07:11
On one side, we have genomes --
thousands of them.
thousands of them.
139
419436
4539
Bir tarafta binlerce genomumuz var.
07:15
On the other side, we collected
the biggest database of human beings:
the biggest database of human beings:
140
423999
3997
Diğer yanda da fenotiplerle, 3B
tarayıcılarla, NMR ve aklınıza gelebilecek
tarayıcılarla, NMR ve aklınıza gelebilecek
07:20
phenotypes, 3D scan, NMR --
everything you can think of.
everything you can think of.
141
428020
4296
her şey ile insanoğlunun en büyük
veri tabanını bir araya getirdik.
veri tabanını bir araya getirdik.
07:24
Inside there, on these two opposite sides,
142
432340
2899
Bu iki zıt tarafın içinde
07:27
there is the secret of translation.
143
435263
2442
bu işin tercüme edilmesinde bir giz var.
07:29
And in the middle, we build a machine.
144
437729
2472
Ortasındaysa, bir makine
inşa edişimiz var.
inşa edişimiz var.
07:32
We build a machine
and we train a machine --
and we train a machine --
145
440801
2385
Bir makine üretiyoruz ve onu eğitiyoruz.
07:35
well, not exactly one machine,
many, many machines --
many, many machines --
146
443210
3210
Aslında bir makine de değil,
birçok makine.
birçok makine.
07:38
to try to understand and translate
the genome in a phenotype.
the genome in a phenotype.
147
446444
4544
Bunu fenotipteki genomu tercüme etmek
ve anlamak için yapıyoruz.
ve anlamak için yapıyoruz.
07:43
What are those letters,
and what do they do?
and what do they do?
148
451362
3340
Bu harflerin anlamı ne, bunlar ne yapar?
07:46
It's an approach that can
be used for everything,
be used for everything,
149
454726
2747
Bu, her amaca hizmete
edebilecek bir girişim.
edebilecek bir girişim.
07:49
but using it in genomics
is particularly complicated.
is particularly complicated.
150
457497
2993
Ancak bunu genomik alanında
kullanmak kısmen karmaşık.
kullanmak kısmen karmaşık.
07:52
Little by little we grew and we wanted
to build different challenges.
to build different challenges.
151
460514
3276
Yavaş yavaş büyüdük ve kendimize
farklı hedefler koyduk.
farklı hedefler koyduk.
07:55
We started from the beginning,
from common traits.
from common traits.
152
463814
2732
İşin başından, yani
ortak özelliklerden başladık.
ortak özelliklerden başladık.
07:58
Common traits are comfortable
because they are common,
because they are common,
153
466570
2603
Ortak özellikler iyi bir seçenek,
çünkü onlar ortak;
çünkü onlar ortak;
08:01
everyone has them.
154
469197
1184
herkes onlara sahip.
08:02
So we started to ask our questions:
155
470405
2494
Sonrasında sorularımızı sormaya başladık:
08:04
Can we predict height?
156
472923
1380
Boyu tahmin edebilir miyiz?
08:06
Can we read the books
and predict your height?
and predict your height?
157
474985
2177
Kitapları okuyup sonra
boyunu tahmin edebilir miyiz?
boyunu tahmin edebilir miyiz?
08:09
Well, we actually can,
158
477186
1151
Evet, aslında edebiliriz.
08:10
with five centimeters of precision.
159
478361
1793
Beş santimetre yakınlıkla yapabiliriz.
08:12
BMI is fairly connected to your lifestyle,
160
480178
3135
BMI (Vücut kitle endeksi) sizin yaşamınıza
çok yakındır.
çok yakındır.
08:15
but we still can, we get in the ballpark,
eight kilograms of precision.
eight kilograms of precision.
161
483337
3864
Yine de tahminen sekiz kilo
yakınlığı tahmin edebiliriz.
yakınlığı tahmin edebiliriz.
Peki göz rengini tahmin edebilir miyiz?
08:19
Can we predict eye color?
162
487225
1231
08:20
Yeah, we can.
163
488480
1158
Evet, edebiliriz.
08:21
Eighty percent accuracy.
164
489662
1324
Yüzde 80 kesinlikle.
08:23
Can we predict skin color?
165
491466
1858
Ten rengini tahmin edebilir miyiz?
08:25
Yeah we can, 80 percent accuracy.
166
493348
2441
Evet, yüzde 80 oranla.
08:27
Can we predict age?
167
495813
1340
Yaşı tahmin edebilir miyiz?
08:30
We can, because apparently,
the code changes during your life.
the code changes during your life.
168
498121
3739
Evet, çünkü bu kod hayatın
boyunca değişmekte.
boyunca değişmekte.
08:33
It gets shorter, you lose pieces,
it gets insertions.
it gets insertions.
169
501884
3282
Kısalıyor, parçaları kaybediyorsun
ve tekrar parça ekleniyor.
ve tekrar parça ekleniyor.
08:37
We read the signals, and we make a model.
170
505190
2555
Sinyalleri okuyup bir model yaratıyoruz.
08:40
Now, an interesting challenge:
171
508438
1475
Şimdi farklı bir hedef koyduk:
08:41
Can we predict a human face?
172
509937
1729
İnsan yüzünü tahmin edebilir miyiz?
08:45
It's a little complicated,
173
513014
1278
Bu biraz karmaşık.
08:46
because a human face is scattered
among millions of these letters.
among millions of these letters.
174
514316
3191
Çünkü insan yüzü bu milyonlarca
harf arasına yayılmış.
harf arasına yayılmış.
08:49
And a human face is not
a very well-defined object.
a very well-defined object.
175
517531
2629
Ve insan yüzü çok bariz bir nesne değil.
Bu yüzden tamamen farklı bir
alan oluşturduk onun için.
alan oluşturduk onun için.
08:52
So, we had to build an entire tier of it
176
520184
2051
08:54
to learn and teach
a machine what a face is,
a machine what a face is,
177
522259
2710
Öğrenmek ve makineye bir yüzün
ne olduğunu öğretmek için.
ne olduğunu öğretmek için.
08:56
and embed and compress it.
178
524993
2037
Yani bunu olguyu ona verebilmek için.
08:59
And if you're comfortable
with machine learning,
with machine learning,
179
527054
2248
Makine öğrenimi ile aranız iyiyse
09:01
you understand what the challenge is here.
180
529326
2284
bu olayın ne kadar büyük
olduğunu anlarsınız.
olduğunu anlarsınız.
09:04
Now, after 15 years -- 15 years after
we read the first sequence --
we read the first sequence --
181
532108
5991
15 yıl sonra -- 15 yıl sonra
ilk dizilimi okuduk --
ilk dizilimi okuduk --
09:10
this October, we started
to see some signals.
to see some signals.
182
538123
2902
bu Ekim, bazı sinyaller görmeye başladık.
09:13
And it was a very emotional moment.
183
541049
2455
Oldukça etkileyici bir andı.
09:15
What you see here is a subject
coming in our lab.
coming in our lab.
184
543528
3745
Burada gördüğünüz şey
laboratuvarımıza gidecek.
laboratuvarımıza gidecek.
09:19
This is a face for us.
185
547619
1928
Bu, bizim için bir yüz.
09:21
So we take the real face of a subject,
we reduce the complexity,
we reduce the complexity,
186
549571
3631
Gerçek bir yüzü ele alıp
onun karmaşıklığını azaltıyoruz,
onun karmaşıklığını azaltıyoruz,
09:25
because not everything is in your face --
187
553226
1970
çünkü yüzünüzdeki birçok özellik, kusur
09:27
lots of features and defects
and asymmetries come from your life.
and asymmetries come from your life.
188
555220
3786
ve asimetriklik yaşamınızdan
dolayı oradalar.
dolayı oradalar.
09:31
We symmetrize the face,
and we run our algorithm.
and we run our algorithm.
189
559030
3469
Yüzü simetrik olarak ele alıp
algoritmamızı çalıştırıyoruz.
algoritmamızı çalıştırıyoruz.
09:35
The results that I show you right now,
190
563245
1898
Şu an size gösterdiğim sonuçlar
09:37
this is the prediction we have
from the blood.
from the blood.
191
565167
3372
kandan alıp yaptığımız tahmindir.
09:41
(Applause)
192
569596
1524
(Alkışlar)
09:43
Wait a second.
193
571144
1435
Bir saniye bekleyin.
09:44
In these seconds, your eyes are watching,
left and right, left and right,
left and right, left and right,
194
572603
4692
Bu saniyelerde, gözleriniz
solu sağı izliyor
solu sağı izliyor
09:49
and your brain wants
those pictures to be identical.
those pictures to be identical.
195
577319
3930
ve beyniniz bu resimlerin
aynı olmasını istiyor.
aynı olmasını istiyor.
09:53
So I ask you to do
another exercise, to be honest.
another exercise, to be honest.
196
581273
2446
Sizle farklı bir alıştırma
yapacağız şimdi.
yapacağız şimdi.
09:55
Please search for the differences,
197
583743
2287
Farkları tespit etmeye çalışın,
09:58
which are many.
198
586054
1361
oldukça fark var.
09:59
The biggest amount of signal
comes from gender,
comes from gender,
199
587439
2603
En yüksek sinyal cinsiyetten gelir,
10:02
then there is age, BMI,
the ethnicity component of a human.
the ethnicity component of a human.
200
590066
5201
sonrasında yaş, BMI, etnik kökeni vardır.
10:07
And scaling up over that signal
is much more complicated.
is much more complicated.
201
595291
3711
Bu ölçekte yükselmek çok karmaşıktır.
10:11
But what you see here,
even in the differences,
even in the differences,
202
599026
3250
Burada anladığınız şey ise
farklılıklar olsa dahi
farklılıklar olsa dahi
10:14
lets you understand
that we are in the right ballpark,
that we are in the right ballpark,
203
602300
3595
aşağı yukarı doğru bir yerde
olduğunuzu ve
olduğunuzu ve
10:17
that we are getting closer.
204
605919
1348
yaklaştığımızı göstermesidir.
10:19
And it's already giving you some emotions.
205
607291
2349
Ve zaten şu an size
bazı hisleri yaşatıyor.
bazı hisleri yaşatıyor.
10:21
This is another subject
that comes in place,
that comes in place,
206
609664
2703
Burada farklı bir konu daha var.
10:24
and this is a prediction.
207
612391
1409
Bu da tahmin.
10:25
A little smaller face, we didn't get
the complete cranial structure,
the complete cranial structure,
208
613824
4596
Daha küçük bir ölçekte bakacak olursak
tam bir sonuç alamıyoruz
tam bir sonuç alamıyoruz
10:30
but still, it's in the ballpark.
209
618444
2651
ancak yine de aşağı yukarı aynı.
10:33
This is a subject that comes in our lab,
210
621634
2224
Laboratuvarımıza gelen bir konu bu.
10:35
and this is the prediction.
211
623882
1443
Ve bu da bizim tahminimiz.
10:38
So these people have never been seen
in the training of the machine.
in the training of the machine.
212
626056
4676
Yani bu insanlar makinenin eğitiminde
hiç bulunmadılar.
hiç bulunmadılar.
10:42
These are the so-called "held-out" set.
213
630756
2837
Bunlar sözde direnen kısımlar.
10:45
But these are people that you will
probably never believe.
probably never believe.
214
633617
3740
Ancak bu insanlar muhtemelen asla
inanmayacağınız türden.
inanmayacağınız türden.
10:49
We're publishing everything
in a scientific publication,
in a scientific publication,
215
637381
2676
Bilimsel organlarla her şeyi yayımlıyoruz
10:52
you can read it.
216
640081
1151
ve okuyabilirsiniz.
10:53
But since we are onstage,
Chris challenged me.
Chris challenged me.
217
641256
2344
Sahnede olan biz olduğumuzdan
Chris bana meydan okudu.
Chris bana meydan okudu.
10:55
I probably exposed myself
and tried to predict
and tried to predict
218
643624
3626
Kendimi öne atıverdim.
Belki de tanıyabileceğiniz birini
Belki de tanıyabileceğiniz birini
10:59
someone that you might recognize.
219
647274
2831
tahmin etmeye çalıştım.
11:02
So, in this vial of blood --
and believe me, you have no idea
and believe me, you have no idea
220
650470
4425
Şu kan tüpünü elde edebilmek için
neler yapmak zorunda
neler yapmak zorunda
11:06
what we had to do to have
this blood now, here --
this blood now, here --
221
654919
2880
kaldığımızı tahmin edemezsiniz.
11:09
in this vial of blood is the amount
of biological information
of biological information
222
657823
3901
Bu kan tüpü, genom dizisini
tam anlamıyla yapabilmemiz için
tam anlamıyla yapabilmemiz için
11:13
that we need to do a full genome sequence.
223
661748
2277
gereken biyolojik bilgiyi barındırıyor.
11:16
We just need this amount.
224
664049
2070
İhtiyacımız olan miktar bu.
11:18
We ran this sequence,
and I'm going to do it with you.
and I'm going to do it with you.
225
666528
3205
Bu diziyi başlatıyoruz ve bunu
sizle yapacağım.
sizle yapacağım.
11:21
And we start to layer up
all the understanding we have.
all the understanding we have.
226
669757
3979
Tüm anlama kabiliyetimizi bir üst
kademeye çıkarmaya başlıyoruz.
kademeye çıkarmaya başlıyoruz.
11:25
In the vial of blood,
we predicted he's a male.
we predicted he's a male.
227
673760
3350
Bu kan tüpüyle, onun bir
erkek olduğunu saptadık.
erkek olduğunu saptadık.
11:29
And the subject is a male.
228
677134
1364
Deneğimiz bir erkek.
11:30
We predict that he's a meter and 76 cm.
229
678996
2438
Onun bir metre 76 cm olduğunu saptadık.
11:33
The subject is a meter and 77 cm.
230
681458
2392
Deneğimiz bir metre 77 cm.
11:35
So, we predicted that he's 76;
the subject is 82.
the subject is 82.
231
683874
4110
Yani kendisini 76 diye
saptadık, denek 82 çıktı.
saptadık, denek 82 çıktı.
11:40
We predict his age, 38.
232
688701
2632
Yaşını 38 diye saptadık.
11:43
The subject is 35.
233
691357
1904
Deneğimiz 35 çıktı.
11:45
We predict his eye color.
234
693851
2124
Göz rengini tahmin ettik.
11:48
Too dark.
235
696824
1211
Oldukça koyu.
11:50
We predict his skin color.
236
698059
1555
Ten rengini tahmin ettik.
11:52
We are almost there.
237
700026
1410
Neredeyse geldik.
11:53
That's his face.
238
701899
1373
Bu kendisinin yüzü.
11:57
Now, the reveal moment:
239
705172
3269
Şimdi, görme zamanı:
12:00
the subject is this person.
240
708465
1770
Deneğimiz bu kişi.
12:02
(Laughter)
241
710259
1935
(Gülüşmeler)
12:04
And I did it intentionally.
242
712218
2058
Ve bunu bilerek yaptım.
12:06
I am a very particular
and peculiar ethnicity.
and peculiar ethnicity.
243
714300
3692
Çok özel ve tuhaf bir etnik kökenim var.
12:10
Southern European, Italians --
they never fit in models.
they never fit in models.
244
718016
2950
Güney Avrupa, İtalyanlar
bunlar hiç kalıba uymazlar.
bunlar hiç kalıba uymazlar.
12:12
And it's particular -- that ethnicity
is a complex corner case for our model.
is a complex corner case for our model.
245
720990
5130
Ve bu özeldir -- bu etniklik
modelimiz için karmaşık bir durumdur.
modelimiz için karmaşık bir durumdur.
12:18
But there is another point.
246
726144
1509
Ancak farklı bir konu daha var.
12:19
So, one of the things that we use
a lot to recognize people
a lot to recognize people
247
727677
3477
Yani insanları tanımak için
kullandığımız şeylerden biri
kullandığımız şeylerden biri
12:23
will never be written in the genome.
248
731178
1722
genomlarda asla yer almayacak.
12:24
It's our free will, it's how I look.
249
732924
2317
Kendi hür irademiz, nasıl göründüğümüzdür.
12:27
Not my haircut in this case,
but my beard cut.
but my beard cut.
250
735265
3229
Bu durumda saç kesimim değil de
sakal kesimim konumuz.
sakal kesimim konumuz.
12:30
So I'm going to show you, I'm going to,
in this case, transfer it --
in this case, transfer it --
251
738518
3553
Size bir şey göstereceğim.
Böyle bir durumda
Böyle bir durumda
12:34
and this is nothing more
than Photoshop, no modeling --
than Photoshop, no modeling --
252
742095
2765
bu, Photoshop veya modellemeden
fazla bir şey değil.
fazla bir şey değil.
12:36
the beard on the subject.
253
744884
1713
Konumuz sakal.
12:38
And immediately, we get
much, much better in the feeling.
much, much better in the feeling.
254
746621
3472
Ve bir anda daha çok
iyi hissetmeye başladık.
iyi hissetmeye başladık.
12:42
So, why do we do this?
255
750955
2709
Bunu neden yapıyoruz?
12:47
We certainly don't do it
for predicting height
for predicting height
256
755938
5140
Bunu tabii ki boyu hesaplamak için ya da
12:53
or taking a beautiful picture
out of your blood.
out of your blood.
257
761102
2372
kanınızdan güzel bir resim
çekmek için yapmıyoruz.
çekmek için yapmıyoruz.
12:56
We do it because the same technology
and the same approach,
and the same approach,
258
764390
4018
Bunu, aynı teknoloji
ve aynı girişim kullanılarak,
ve aynı girişim kullanılarak,
13:00
the machine learning of this code,
259
768432
2520
yani bu kodun makine öğrenimi,
13:02
is helping us to understand how we work,
260
770976
3137
bize, nasıl çalıştığımızı,
13:06
how your body works,
261
774137
1486
vücudunuzun nasıl çalıştığını,
13:07
how your body ages,
262
775647
1665
bedeninin nasıl yaşlandığını,
13:09
how disease generates in your body,
263
777336
2769
hastalıkların vücudunda nasıl oluştuğunu,
13:12
how your cancer grows and develops,
264
780129
2972
kanserin nasıl oluştuğu ve büyüdüğünü,
13:15
how drugs work
265
783125
1783
ilaçların anlamını
ve vücudunda işe yarayıp yaramadığını
öğrenmek için yapıyoruz.
öğrenmek için yapıyoruz.
13:16
and if they work on your body.
266
784932
2314
13:19
This is a huge challenge.
267
787713
1667
Bu büyük bir adım.
13:21
This is a challenge that we share
268
789894
1638
Bu, dünya çapında binlerce farklı
13:23
with thousands of other
researchers around the world.
researchers around the world.
269
791556
2579
araştırmacılarla paylaştığımız bir adım.
13:26
It's called personalized medicine.
270
794159
2222
Buna personalized medicine
(kişiye özel ilaç) diyoruz.
(kişiye özel ilaç) diyoruz.
13:29
It's the ability to move
from a statistical approach
from a statistical approach
271
797125
3460
Bu, istatistiklere dayanan bir girişimden,
13:32
where you're a dot in the ocean,
272
800609
2032
okyanusta bir nokta gibiyken,
13:34
to a personalized approach,
273
802665
1813
bu tüm kitapları okuduğumuz
13:36
where we read all these books
274
804502
2185
ve tam olarak nasıl olduğumuz
hakkında bir anlayışa
hakkında bir anlayışa
13:38
and we get an understanding
of exactly how you are.
of exactly how you are.
275
806711
2864
sahip olacağımız
kişiye özel yapılan bir girişimdir.
kişiye özel yapılan bir girişimdir.
13:42
But it is a particularly
complicated challenge,
complicated challenge,
276
810260
3362
Ancak bu biraz karmaşık bir adımdır.
13:45
because of all these books, as of today,
277
813646
3998
Çünkü bu tüm kitapların günümüzde
13:49
we just know probably two percent:
278
817668
2642
muhtemelen yüzde ikisini biliyoruz.
13:53
four books of more than 175.
279
821027
3653
175'ten fazlasından dört kitap.
13:58
And this is not the topic of my talk,
280
826021
3206
Bu, konuşmamın konusu değil,
14:02
because we will learn more.
281
830145
2598
çünkü daha öğreneceğiz.
14:05
There are the best minds
in the world on this topic.
in the world on this topic.
282
833378
2669
Bu konu üzerine dünyada çok iyi
mantık yürütenler var.
mantık yürütenler var.
14:09
The prediction will get better,
283
837048
1834
Tahminler daha iyi hâle gelecek,
14:10
the model will get more precise.
284
838906
2253
model daha kesinleşecek.
14:13
And the more we learn,
285
841183
1858
Öğrendikçe; hayat hakkında,
ölüm hakkında,
ölüm hakkında,
14:15
the more we will
be confronted with decisions
be confronted with decisions
286
843065
4830
ebeveynlik hakkında
14:19
that we never had to face before
287
847919
3021
daha önce hiç
14:22
about life,
288
850964
1435
karşılaşmadığımız sorularla
14:24
about death,
289
852423
1674
karşılaşmak zorunda
14:26
about parenting.
290
854121
1603
kalacağız.
14:32
So, we are touching the very
inner detail on how life works.
inner detail on how life works.
291
860626
4746
Yani hayatın nasıl işlediği hakkında
bayağı bir ince detaya iniyoruz.
bayağı bir ince detaya iniyoruz.
14:38
And it's a revolution
that cannot be confined
that cannot be confined
292
866118
3158
Bu, bilim ya da teknoloji alanlarıyla
14:41
in the domain of science or technology.
293
869300
2659
sınırlandırılamayacak kadar
büyük bir devrim.
büyük bir devrim.
14:44
This must be a global conversation.
294
872960
2244
Bu, küresel bir konu olmalı.
14:47
We must start to think of the future
we're building as a humanity.
we're building as a humanity.
295
875798
5217
İnsanlık olarak inşa ettiğimiz
geleceği düşünmeye başlamak zorundayız.
geleceği düşünmeye başlamak zorundayız.
14:53
We need to interact with creatives,
with artists, with philosophers,
with artists, with philosophers,
296
881039
4064
Yaratıcı kişilerle, sanatçılarla,
filozoflarla, politikacılarla
filozoflarla, politikacılarla
14:57
with politicians.
297
885127
1510
irtibat kurmalıyız.
14:58
Everyone is involved,
298
886661
1158
Herkes bu işin içinde,
14:59
because it's the future of our species.
299
887843
2825
çünkü bu bizim türümüzün geleceği.
15:03
Without fear, but with the understanding
300
891273
3968
Gelecek yıl, korkusuzca ve anlayarak
15:07
that the decisions
that we make in the next year
that we make in the next year
301
895265
3871
vereceğimiz kararlar
15:11
will change the course of history forever.
302
899160
3789
tarihin gidişatını
sonsuza dek değiştirecek.
sonsuza dek değiştirecek.
15:15
Thank you.
303
903732
1160
Teşekkürler.
15:16
(Applause)
304
904916
10159
(Alkışlar)
ABOUT THE SPEAKER
Riccardo Sabatini - Scientist, entrepreneurRiccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions.
Why you should listen
Data scientist Riccardo Sabatini harnesses numerical methods for a surprising variety of fields, from material science research to the study of food commodities (as a past director of the EU research project FoodCAST). His most recent research centers on computational genomics and how to crack the code of life.
In addition to his data research, Sabatini is deeply involved in education for entrepreneurs. He is the founder and co-director of the Quantum ESPRESSO Foundation, an advisor in several data-driven startups, and funder of The HUB Trieste, a social impact accelerator.
Riccardo Sabatini | Speaker | TED.com