TEDMED 2009
David Agus: A new strategy in the war on cancer
David Agus: Kansere karşı savaşta yeni bir strateji
Filmed:
Readability: 4.3
830,903 views
David Agus açıklıyor; Gelenekçi kanser tedavilerinin ileri görüş içermemesi hücrelerimizi zedeliyor. Kendisi atipik ilaçların denendiği, bilgisayar modelleri ve protein analizleri ile tüm vücudun incelendiği multi ve çapraz disipliner bir yaklaşımla planlanacak yeni tedavi stratejilerine ihtiyaç duyduğumuzu belirtiyor.
David Agus - Cancer Doctor
Although a highly-accomplished conventional doctor, David Agus has embraced the future of medicine and is constantly exploring ways that new technologies can help in the fight against cancer. Full bio
Although a highly-accomplished conventional doctor, David Agus has embraced the future of medicine and is constantly exploring ways that new technologies can help in the fight against cancer. Full bio
Double-click the English transcript below to play the video.
00:15
I'm a cancer doctor, and I walked out of my office
0
0
3000
Ben bir kanser doktoruyum, 3-4 yıl önce ofisimden çıkıp
00:18
and walked by the pharmacy in the hospital three or four years ago,
1
3000
4000
hastane içindeki eczanenin önünden geçerken, eczanenin vitrininde
00:22
and this was the cover of Fortune magazine
2
7000
3000
Fortune dergisini gördüm
00:25
sitting in the window of the pharmacy.
3
10000
2000
kapağında da bu vardı.
00:27
And so, as a cancer doctor, you look at this,
4
12000
2000
Ve bir kanser doktoru olarak böyle bir şeye
00:29
and you get a little bit downhearted.
5
14000
2000
bakarken birazcık kalbiniz kırılıyor.
00:31
But when you start to read the article by Cliff,
6
16000
3000
Cliff tarafından yazılmış bu makaleyi okumaya
00:34
who himself is a cancer survivor,
7
19000
2000
başladığınızdaysa, bu arada Cliff
00:36
who was saved by a clinical trial
8
21000
2000
klinik bir deney sayesinde kanseri yenmiş,
00:38
where his parents drove him from New York City to upstate New York
9
23000
4000
ailesi onu New York şehrinden kırsala götürüp deneysel bir tedaviye
00:42
to get an experimental therapy for --
10
27000
2000
katılmasını sağlamış-- ki
00:44
at the time -- Hodgkin's disease, which saved his life,
11
29000
3000
o dönemde Hodgkin lenfomasıymış, bu da hayatını kurtarmış.
00:47
he makes remarkable points here.
12
32000
3000
Burada dikkate değer noktalara değiniyor.
00:50
And the point of the article was that we have gotten
13
35000
3000
Makalede bahsedilen nokta da şuydu;
00:53
reductionist in our view of biology,
14
38000
3000
biyolojiye bakış açımızın kısıtlılığı
00:56
in our view of cancer.
15
41000
2000
kansere bakış açımızı da etkiliyor.
00:58
For the last 50 years, we have focused on treating
16
43000
3000
Son 50 yıldır tek bir genin tedavisine
01:01
the individual gene
17
46000
2000
odaklandık,
01:03
in understanding cancer, not in controlling cancer.
18
48000
3000
ve kanseri anlamaya çalıştık, kontrol etmeye değil.
01:06
So, this is an astounding table.
19
51000
3000
Yani bu şaşırtıcı bir tablo.
01:09
And this is something that sobers us in our field everyday
20
54000
3000
Bu aynı zamanda alanımızda bizi hergün üzen bir şey,
01:12
in that, obviously, we've made remarkable impacts
21
57000
2000
yani örneğin kardiyovasküler hastalıklar konusunda
01:14
on cardiovascular disease,
22
59000
2000
çok bariz başarılar elde edildi.
01:16
but look at cancer. The death rate in cancer
23
61000
3000
Ama kansere bir bakın. Son 50 yılda kanserden
01:19
in over 50 years hasn't changed.
24
64000
3000
ölüm hızında bir değişim yok.
01:22
We've made small wins in diseases like chronic myelogenous leukemia,
25
67000
4000
Kronik myelositer lösemi gibi hastalıklarda küçük başarılarımız var,
01:26
where we have a pill that can put 100 percent of people in remission,
26
71000
3000
bir hapla insanları %100 remisyona (iyileşme dönemi) sokabiliyoruz.
01:29
but in general, we haven't made an impact at all in the war on cancer.
27
74000
6000
Ama genel anlamda, kanser karşısında bir başarı kazanmış değiliz.
01:35
So, what I'm going to tell you today,
28
80000
3000
Yani bugün size anlatmak istediğim şey
01:38
is a little bit of why I think that's the case,
29
83000
3000
bunun neden böyle olduğu ile ilgili,
01:41
and then go out of my comfort zone
30
86000
2000
daha sonra da içinde bulunduğum "rahat alanımdan"
01:43
and tell you where I think it's going,
31
88000
3000
çıkıp bu işin nereye gittiğinden bahsedeceğim,
01:46
where a new approach -- that we hope to push forward
32
91000
3000
yani kanser tedavisi ile ilgili zorlayıp denemeyi umduğumuz
01:49
in terms of treating cancer.
33
94000
4000
yeni bir yaklaşımdan.
01:53
Because this is wrong.
34
98000
3000
Çünkü bu çok hatalı.
01:56
So, what is cancer, first of all?
35
101000
2000
İlk olarak, kanser nedir?
01:58
Well, if one has a mass or an abnormal blood value, you go to a doctor,
36
103000
5000
Birinde bir kitle veya anormal bir kan sonucu olursa doktora gider.
02:03
they stick a needle in.
37
108000
2000
Bir iğne sokarlar.
02:05
They way we make the diagnosis today is by pattern recognition:
38
110000
4000
Bugün bizler hastalık tanılarını patern tanıyarak koyuyoruz.
02:09
Does it look normal? Does it look abnormal?
39
114000
4000
Bu normal gözüküyor mu? Anormal mi gözüküyor?
02:13
So, that pathologist is just like looking at this plastic bottle.
40
118000
3000
Yani patolog bu plastik şişeye sadece bakıyor.
02:16
This is a normal cell. This is a cancer cell.
41
121000
3000
Bu normal bir hücre. Bu kanserli bir hücre.
02:19
That is the state-of-the-art today in diagnosing cancer.
42
124000
5000
Günümüzde kanser tanısında kullanılan son teknoloji bu durumda.
02:24
There's no molecular test,
43
129000
3000
Moleküler bir test yok.
02:27
there's no sequencing of genes that was referred to yesterday,
44
132000
3000
Düne göre referans alınan bir Gen sekansı (dizilimi) yapılmıyor.
02:30
there's no fancy looking at the chromosomes.
45
135000
3000
Kromozomlara baktığımız da yok.
02:33
This is the state-of-the-art and how we do it.
46
138000
3000
Kuulandığımız en son teknoloji yöntem bundan ibaret.
02:36
You know, I know very well, as a cancer doctor, I can't treat advanced cancer.
47
141000
6000
Ben bir kanser doktoru olarak biliyorum ki, ilerlemiş kanseri tedavi edemem.
02:42
So, as an aside, I firmly believe in the field of trying to identify cancer early.
48
147000
7000
Yani bir tarafı destekleyeceksem, kanserin tanısını erken koyan tarafı tutarım.
02:49
It is the only way you can start to fight cancer, is by catching it early.
49
154000
5000
Bu kanserle savaşabilmenin tek yolu, yani erken tanı konmalı
02:54
We can prevent most cancers.
50
159000
3000
Pek çok kanseri önleyebiliriz.
02:57
You know, the previous talk alluded to preventing heart disease.
51
162000
3000
Bir önceki konuşmada kalp hastalıklarından korunma yolları anlatılmıştı.
03:00
We could do the same in cancer.
52
165000
2000
Kanser için de aynısını yapabiliriz.
03:02
I co-founded a company called Navigenics,
53
167000
2000
Navigenics adında bir şirketin kurucularındanım,
03:04
where, if you spit into a tube --
54
169000
2000
burada bir tüpe tükürüyorsunuz
03:06
and we can look look at 35 or 40 genetic markers for disease,
55
171000
6000
ve bunda hastalıklara ilişkin 30-40 tane genetik marker tarayabiliyoruz,
03:12
all of which are delayable in many of the cancers --
56
177000
2000
ki bunların tamamı pekçok kanserin ön hastalıkları.
03:14
you start to identify what you could get,
57
179000
4000
Neyin başına gelebileceğinizi anladığınızda,
03:18
and then we can start to work to prevent them.
58
183000
3000
onlardan korunmanın yollarını aramaya başlayabiliriz.
03:21
Because the problem is, when you have advanced cancer,
59
186000
3000
Çünkü problem ilerlemiş kanserle geldiğinizde
03:24
we can't do that much today about it, as the statistics allude to.
60
189000
4000
yapabileceğimiz çok bir şey olmayışı. İstatistikler de böyle söylüyor.
03:28
So, the thing about cancer is that it's a disease of the aged.
61
193000
4000
Kanser ile ilgili şeylerden birisi de yaşlanmayla alakası.
03:32
Why is it a disease of the aged?
62
197000
2000
Neden yaşlıların hastalığı?
03:34
Because evolution doesn't care about us after we've had our children.
63
199000
4000
Çünkü çocuk sahibi olduktan sonra evrim bizi umursamıyor.
03:39
See, evolution protected us during our childbearing years
64
204000
3000
Gördünüz mü, çocuk doğurma çağlarında, evrim bizi koruyor,
03:42
and then, after age 35 or 40 or 45,
65
207000
4000
sonrasında da 35-40-45 yaşlarında,
03:46
it said "It doesn't matter anymore, because they've had their progeny."
66
211000
4000
artık öneminiz yok diyor, artık soyunuz devam edecek.
03:50
So if you look at cancers, it is very rare -- extremely rare --
67
215000
5000
Yani eğer kanserlere bakarsanız, çocukluk çağı kanserleri
03:55
to have cancer in a child, on the order of thousands of cases a year.
68
220000
5000
gerçekten de çok çok az, senede 1000 tane ile ifade edilecek kadar.
04:00
As one gets older? Very, very common.
69
225000
4000
Ama yaşlandıkça, çok çok yaygınlaşıyor.
04:04
Why is it hard to treat?
70
229000
2000
Tedavi etmek neden zor?
04:06
Because it's heterogeneous,
71
231000
2000
Çünkü heterojen.
04:08
and that's the perfect substrate for evolution within the cancer.
72
233000
5000
ve bu da kanserin içindeki evrim süreci için mükemmel bir malzeme.
04:13
It starts to select out for those bad, aggressive cells,
73
238000
4000
Bu kötü saldırgan hücreleri seçerek başlıyor,
04:17
what we call clonal selection.
74
242000
4000
buna klonal seçim diyoruz.
04:21
But, if we start to understand
75
246000
3000
Ama eğer kanserin sadece
04:24
that cancer isn't just a molecular defect, it's something more,
76
249000
5000
moleküler bir hata olmadığını, daha fazlası olduğunu anlamaya
04:29
then we'll get to new ways of treating it, as I'll show you.
77
254000
4000
başlarsak, tedavi edebilecek yeni yollar bulabiliriz, size göstereceğim.
04:33
So, one of the fundamental problems we have in cancer
78
258000
2000
yani kanserdeki ana sorunlardan birisi işte bu,
04:35
is that, right now, we describe it by a number of adjectives, symptoms:
79
260000
4000
onu bir takım sıfatlar ve belirtilerle tarif ediyoruz.
04:39
"I'm tired, I'm bloated, I have pain, etc."
80
264000
3000
Yorgunum, şişkinim, ağrım var vb...
04:42
You then have some anatomic descriptions,
81
267000
2000
Sonra bazı anatomik tanımlarınız var.
04:44
you get that CT scan: "There's a three centimeter mass in the liver."
82
269000
4000
Bu BT yi çektiriyorsunuz, karaciğerinizde 3 cm bir kitle var.
04:48
You then have some body part descriptions:
83
273000
3000
Sonrasında bazı vücut bölümü tanımları var.
04:51
"It's in the liver, in the breast, in the prostate."
84
276000
2000
Kanser karaciğerde, memede, prostatta gibi.
04:53
And that's about it.
85
278000
3000
Ve tümü bundan ibaret.
04:56
So, our dictionary for describing cancer is very, very poor.
86
281000
4000
Kanseri tanımlama lugatımız bile çok ama çok zayıf.
05:00
It's basically symptoms.
87
285000
2000
Tamamen semptomlara dayalı.
05:02
It's manifestations of a disease.
88
287000
3000
Bir hastalığın belirtileri yani.
05:05
What's exciting is that over the last two or three years,
89
290000
3000
Son iki üç sene içinde heyecan verici olansa
05:08
the government has spent 400 million dollars,
90
293000
2000
hükümetin 400 milyon dolar harcamış olması,
05:10
and they've allocated another billion dollars,
91
295000
3000
ve ekstra bir milyon doları da ismine
05:13
to what we call the Cancer Genome Atlas Project.
92
298000
2000
Kanser Genom Atlası Projesi dediğimiz şeye harcadılar.
05:15
So, it is the idea of sequencing all of the genes in the cancer,
93
300000
4000
Bu kanserdeki genlerin sekanlamasını (dizilimini) yapma fikri,
05:19
and giving us a new lexicon, a new dictionary to describe it.
94
304000
5000
böylece bize yeni bir sözlük, tarif etmemiz için yeni sözcükler verecekler.
05:24
You know, in the mid-1850's in France,
95
309000
3000
Fransa'da 1850'lerde,
05:27
they started to describe cancer by body part.
96
312000
3000
kanseri vücut parçalarına göre tanımlamaya başladılar.
05:30
That hasn't changed in over 150 years.
97
315000
4000
Ve bu 150 yıldır değişmedi.
05:34
It is absolutely archaic that we call cancer
98
319000
4000
Hala prostat, meme, kas
05:38
by prostate, by breast, by muscle.
99
323000
4000
kanseri dememiz bile tarihi.
05:42
It makes no sense, if you think about it.
100
327000
3000
Düşünürseniz hiç bir mantığı yok.
05:45
So, obviously, the technology is here today,
101
330000
3000
Aşikar olan günümüzdeki teknolojinin,
05:48
and, over the next several years, that will change.
102
333000
3000
ve önümüzdeki yıllardaki teknolojinin değişeceği.
05:51
You will no longer go to a breast cancer clinic.
103
336000
2000
Artık bir meme kanseri kliniğine gitmeyeceksiniz.
05:53
You will go to a HER2 amplified clinic, or an EGFR activated clinic,
104
338000
5000
HER2 amplifiye kliniğveya aktive olmuş EGFR kliniğine gideceksiniz.
05:58
and they will go to some of the pathogenic lesions
105
343000
2000
ve onlar da bu bireysel kanserin oluşmasına yol açan
06:00
that were involved in causing this individual cancer.
106
345000
4000
patolojik lezyona gidecekler.
06:04
So, hopefully, we will go from being the art of medicine
107
349000
3000
Yani umuyoruz ki, tıbbı sanat olmaktan çıkarıp bilim yapma
06:07
more to the science of medicine,
108
352000
2000
yolunda bir ilerleme göstereceğiz.
06:09
and be able to do what they do in infectious disease,
109
354000
3000
enfeksiyon hastalıklarında ne yapılabiliyorsa bizde yapacağız
06:12
which is look at that organism, that bacteria,
110
357000
3000
örneğin organizmalara, bakterilere bakıyorlar,
06:15
and then say, "This antibiotic makes sense,
111
360000
3000
sonra da bu antibiyotik daha anlamlı olur diyorlar,
06:18
because you have a particular bacteria that will respond to it."
112
363000
4000
çünkü bu bakteri ancak bu antibiyotiğe cevap veriyor.
06:22
When one is exposed to H1N1, you take Tamiflu,
113
367000
4000
H1N1'e maruz kalan kişiye Tamiflu veriyorlar,
06:26
and you can remarkably decrease the severity of symptoms
114
371000
3000
böylece semptomların şiddeti bariz şekilde azaltılıyor
06:29
and prevent many of the manifestations of the disease.
115
374000
3000
ve hastalığın pek çok belirtisi engelleniyor.
06:32
Why? Because we know what you have, and we know how to treat it --
116
377000
5000
Neden? Çünkü sizin neyiniz var biliyoruz, nasıl tedavi edeceğimizi de,
06:37
although we can't make vaccine in this country, but that's a different story.
117
382000
4000
her ne kadar bu ülkede henüz aşı yapamamış olsak da, ama bu başka bir hikaye.
06:41
The Cancer Genome Atlas is coming out now.
118
386000
3000
Kanser Genom Atlası artık çıkıyor.
06:44
The first cancer was done, which was brain cancer.
119
389000
4000
İlk kanser yapıldı, bu beyin kanseriydi.
06:48
In the next month, the end of December, you'll see ovarian cancer,
120
393000
4000
Önümüzdeki ay, Aralık sonunda, yumurtalık kanseri görülecek,
06:52
and then lung cancer will come several months after.
121
397000
4000
pek çok ay sonrasında da akciğer kanseri.
06:56
There's also a field of proteomics that I'll talk about in a few minutes,
122
401000
3000
Bir de proteom (protein) alanı var, bundan da birkaç dakika bahsedeceğim.
06:59
which I think is going to be the next level
123
404000
3000
ki ben bunun bir sonraki aşama olacağına inanıyorum
07:02
in terms of understanding and classifying disease.
124
407000
4000
özellikle kanseri anlama ve sınıflama konusunda.
07:06
But remember, I'm not pushing genomics,
125
411000
2000
Ama anımsayın, genom ve proteomu
07:08
proteomics, to be a reductionist.
126
413000
3000
kısıtlayıcı olmak için zorlamıyorum.
07:11
I'm doing it so we can identify what we're up against.
127
416000
3000
Bunları karşımızdaki şeyin ne olduğunu tanımlayabilmemiz için söylüyorum.
07:14
And there's a very important distinction there that we'll get to.
128
419000
4000
Ve buradaki çok önemli ayrıma da birazdan geleceğim.
07:18
In health care today, we spend most of the dollars --
129
423000
3000
Bugünkü sağlık hizmetlerinde milyonlarca doları
07:21
in terms of treating disease --
130
426000
3000
hastalık tedavisine harcıyoruz--
07:24
most of the dollars in the last two years of a person's life.
131
429000
4000
harcanan paranın çoğu bir insanın ömrünün son iki yılına gidiyor.
07:28
We spend very little, if any, dollars in terms of identifying what we're up against.
132
433000
5000
Ve karşı karşıya olduğumuz şeyin ne olduğunu tanımlamak için çok az harcıyoruz.
07:33
If you could start to move that, to identify what you're up against,
133
438000
4000
Eğer bunu değiştirebilirsek, kanseri tanıyabilirsek çok daha
07:37
you're going to do things a hell of a lot better.
134
442000
3000
hem de çok çok daha fazlasını başarabiliriz.
07:40
If we could even take it one step further and prevent disease,
135
445000
4000
Eğer becerebilirsek bir adım daha atıp önlemeyi başarabiliriz,
07:44
we can take it enormously the other direction,
136
449000
3000
ve bu durumu tamamen diğer tarafa yönlendirebiliriz.
07:47
and obviously, that's where we need to go, going forward.
137
452000
4000
Açıkçası gitmemiz gereken yön de öbür taraf zaten, ileri gideceğiz.
07:51
So, this is the website of the National Cancer Institute.
138
456000
3000
İşte Ulusal Kanser Enstitüsünün web sitesi.
07:54
And I'm here to tell you, it's wrong.
139
459000
3000
Ve ben size bunun yanlış olduğunu söylemek için buradayım.
07:57
So, the website of the National Cancer Institute
140
462000
2000
Ulusal Kanser enstitüsü web sitesi kanserin
07:59
says that cancer is a genetic disease.
141
464000
4000
genetik bir hastalık olduğunu söylüyor.
08:03
The website says, "If you look, there's an individual mutation,
142
468000
4000
Web sitesinin dediğine göre, eğer bakarsanız tek bir tane mutasyon varmış,
08:07
and maybe a second, and maybe a third,
143
472000
2000
sonrada bir ikinci, sonra da bir üçüncü,
08:09
and that is cancer."
144
474000
2000
ve işte kansersiniz.
08:11
But, as a cancer doc, this is what I see.
145
476000
4000
Ama bir kanser doktoru olarak benim gördüğüm şu:
08:15
This isn't a genetic disease.
146
480000
2000
Bu genetik bir hastalık değil.
08:17
So, there you see, it's a liver with colon cancer in it,
147
482000
3000
İşte, bu içinde barsak kanseri olan bir karaciğer,
08:20
and you see into the microscope a lymph node
148
485000
2000
mikroskopta bakıyorsunuzi bir lenf nodu var
08:22
where cancer has invaded.
149
487000
2000
kanser buraya invaze olmuş (yayılmış)
08:24
You see a CT scan where cancer is in the liver.
150
489000
4000
BT'ye (Bilg. Tomo.) bakıyorsunuz, karaciğer kanseri.
08:28
Cancer is an interaction of a cell
151
493000
3000
Kanser, artık büyümesi çevresi tarafından
08:31
that no longer is under growth control with the environment.
152
496000
5000
kontrol edilemeyen bir hücreler etkileşimidir.
08:36
It's not in the abstract; it's the interaction with the environment.
153
501000
4000
Bu teorikte yer almaz; bu çevreyle olan etkileşimdir.
08:40
It's what we call a system.
154
505000
3000
Biz buna bir sistem diyoruz.
08:43
The goal of me as a cancer doctor is not to understand cancer.
155
508000
4000
Bir kanser doktoru olarak benim amacım kanseri anlamak değil.
08:47
And I think that's been the fundamental problem over the last five decades,
156
512000
3000
Ve bunun son 50 yıldır süregelen asıl sorun olduğunu düşünüyorum.
08:50
is that we have strived to understand cancer.
157
515000
3000
Mücadele ettiğimiz şey kanseri anlamak mı?
08:53
The goal is to control cancer.
158
518000
3000
Amaç kanseri kontrol etmek.
08:56
And that is a very different optimization scheme,
159
521000
2000
Ve bu çok farklı bir optimizasyon tasarısı,
08:58
a very different strategy for all of us.
160
523000
3000
hepimiz için çok farklı bir strateji.
09:01
I got up at the American Association of Cancer Research,
161
526000
2000
Amerika Kanser Araştırmaları Birliğinde ayağa kalktım,
09:03
one of the big cancer research meetings, with 20,000 people there,
162
528000
4000
ki bu en büyük kanser araştırma toplantılarından biridir, 20.000 kişi vardı
09:07
and I said, "We've made a mistake.
163
532000
3000
ayağa kalktım ve hata yaptığımızı söyledim.
09:10
We've all made a mistake, myself included,
164
535000
3000
Ben de dahil hepimizin hata yaptığını,
09:13
by focusing down, by being a reductionist.
165
538000
2000
aşağıya odaklanıp, kısıtlayıcı olarak hata yaptığımızı söyledim.
09:15
We need to take a step back."
166
540000
2000
Bir adım geri atmak zorundayız.
09:17
And, believe it or not, there were hisses in the audience.
167
542000
2000
Ve ister inanın ister inanmayın, seyircilerden ıslık çalanlar oldu.
09:19
People got upset, but this is the only way we're going to go forward.
168
544000
4000
İnsanlar bozuldu, ama ileriye gidebilmemizin tek yolu bu.
09:23
You know, I was very fortunate to meet Danny Hillis a few years ago.
169
548000
4000
Biliyorsunuz, birkaç sene önce Danny Hillis ile tanışma fırsatım olmuştu.
09:27
We were pushed together, and neither one of us really wanted to meet the other.
170
552000
4000
Bir şekilde bir araya gelmiştik ve aslında birbirimizle tanışmayı ikimiz de istemiyorduk.
09:31
I said, "Do I really want to meet a guy from Disney, who designed computers?"
171
556000
4000
Kendime "Disney'den bilgisayar dizaynı yapan bir adamla tanışmayı istiyor muyum?" diye sordum.
09:35
And he was saying: Does he really want to meet another doctor?
172
560000
3000
Ve o da gerçekten başka bir doktorla daha tanışmam gerekli mi diyordu.
09:38
But people prevailed on us, and we got together,
173
563000
2000
Ama araya giren kişiler bizi bir araya getirdiler.
09:40
and it's been transformative in what I do, absolutely transformative.
174
565000
5000
ve bu yaptığım şey konusunda dönüşümümü sağladı, çok dönüştürücü oldu.
09:46
We have designed, and we have worked on the modeling --
175
571000
3000
Birlikte tasarladık ve model çıkarma üstünde çalıştık--
09:49
and much of these ideas came from Danny and from his team --
176
574000
4000
fikirlerin çoğu Danny'den geldi, ve onun ekibinden--
09:53
the modeling of cancer in the body as complex system.
177
578000
3000
vücudumuzdaki kanseri kompleks bir sistem olarak modelledik.
09:56
And I'll show you some data there
178
581000
2000
Ve size bazı verileri göstereceğim,
09:58
where I really think it can make a difference and a new way to approach it.
179
583000
4000
ki bu noktalar gerçekten de bir fark yaratabilir ve yaklaşımımızı değiştirebilir.
10:02
The key is, when you look at these variables and you look at this data,
180
587000
4000
Anahtar ise bu değişkenlere ve bu verilere baktığınızda
10:06
you have to understand the data inputs.
181
591000
4000
veri girdilerini anlamak zorunda oluşunuz.
10:10
You know, if I measured your temperature over 30 days,
182
595000
4000
Yani vücut sısınızı 30 günden uzun zaman boyunca ölçersem,
10:14
and I asked, "What was the average temperature?"
183
599000
2000
ve ortalaması neydi diye sorarsam,
10:16
and it came back at 98.7, I would say, "Great."
184
601000
4000
98.7 F sonucuna bakıp, harika! derim.
10:20
But if during one of those days
185
605000
2000
Ama bu günlerden birisinde
10:22
your temperature spiked to 102 for six hours,
186
607000
3000
vücut ısınız 6 saatliğine 102 F'a çıkarsa
10:25
and you took Tylenol and got better, etc.,
187
610000
2000
sizde Tylenol alıp iyileşirseniz vs vs...
10:27
I would totally miss it.
188
612000
2000
İşte bu noktayı tamamen atlamış olurum.
10:29
So, one of the problems, the fundamental problems in medicine
189
614000
3000
Yani tıptaki ana sorunlardan birisi, sizin,
10:32
is that you and I, and all of us,
190
617000
2000
aslında hepimizin
10:34
we go to our doctor once a year.
191
619000
2000
doktora senede bir defa gitmemiz.
10:36
We have discrete data elements; we don't have a time function on them.
192
621000
4000
Farklı veri parçacıkları var; bunlar üstünde de zamanın fonksiyonu yok.
10:40
Earlier it was referred to this direct life device.
193
625000
3000
Eskiden bu durumda bu küçük hayat cihazına yöneliniyordu.
10:43
You know, I've been using it for two and a half months.
194
628000
3000
Bilirsiniz, şu an bunu iki buçuk aydır kullanıyorum.
10:46
It's a staggering device, not because it tells me
195
631000
2000
İnanılmaz bir alet, sadece bana günde kaç
10:48
how many kilocalories I do every day,
196
633000
3000
kilokalori yaktığımı söylediği için değil,
10:51
but because it looks, over 24 hours, what I've done in a day.
197
636000
4000
ama 24 saat boyunca, bütün gün ne yaptığıma da baktığı için.
10:55
And I didn't realize that for three hours I'm sitting at my desk,
198
640000
3000
Masamda üç saat boyunca oturduğumu farkmemiştim,
10:58
and I'm not moving at all.
199
643000
2000
ve hiç hareket etmiyormuşum.
11:00
And a lot of the functions in the data that we have as input systems here
200
645000
5000
Ve verilerdeki pek çok fonksiyonu da giriş sistemine ekledik, bunlar
11:05
are really different than we understand them,
201
650000
3000
anladıklarımızdan çok daha farklı,
11:08
because we're not measuring them dynamically.
202
653000
2000
çünkü bunları dinamik olarak ölçmüyoruz.
11:10
And so, if you think of cancer as a system,
203
655000
5000
Yani eğer kanseri bir sistem olarak düşünürseniz,
11:15
there's an input and an output and a state in the middle.
204
660000
4000
bir veri girişi, bir veri çıkışı ve arada da bir orta durum olmalı.
11:19
So, the states, are equivalent classes of history,
205
664000
3000
Yani, bu durumlar geçmiş hikayelerle eşdeğer,
11:22
and the cancer patient, the input, is the environment,
206
667000
3000
ve kanser hastasında veri girişi de ortam,
11:25
the diet, the treatment, the genetic mutations.
207
670000
4000
diet, tedavi, genetik mutasyonlar.
11:29
The output are our symptoms:
208
674000
3000
Veri çıkışları da semptomlar.
11:32
Do we have pain? Is the cancer growing? Do we feel bloated, etc.?
209
677000
4000
Ağrımız mı var? Kanser büyüyor mu? Şişkin mi hissediyoruz? vs vs
11:36
Most of that state is hidden.
210
681000
4000
Bu durumların pek çoğu saklı.
11:40
So what we do in our field is we change and input,
211
685000
3000
Biz de alanımızda veri girdisini değiştiriyoruz
11:43
we give aggressive chemotherapy,
212
688000
2000
agresif kemoterapi veriyoruz.
11:45
and we say, "Did that output get better? Did that pain improve, etc.?"
213
690000
5000
Sonra soruyoruz, veri çıkışı düzeldi mi? Ya da ağrı azaldı mı?
11:50
And so, the problem is that it's not just one system,
214
695000
4000
Ama problem şu ki bu sadece tek bir sistem değil.
11:54
it's multiple systems on multiple scales.
215
699000
3000
Pek çok ölçekte pek çok sistem söz konusu.
11:57
It's a system of systems.
216
702000
3000
Sistemlerden oluşan bir sistem.
12:00
And so, when you start to look at emergent systems,
217
705000
2000
Yani yeni doğan sistemlere bakmaya başladığınızda,
12:02
you can look at a neuron under a microscope.
218
707000
3000
bir nörona mikroskop altında bakabilirsiniz.
12:05
A neuron under the microscope is very elegant
219
710000
2000
Mikroskop altında bir nöron çok zarif duruyor,
12:07
with little things sticking out and little things over here,
220
712000
3000
şuralarından birşeyler çıkıyor, buralarında birşeyler var,
12:10
but when you start to put them together in a complex system,
221
715000
4000
ama kompleks bir sistemde onları bir araya getirmeye kalktığınızda,
12:14
and you start to see that it becomes a brain,
222
719000
2000
ve onun bir beyine dönüşmeye başladığını görebilirsiniz,
12:16
and that brain can create intelligence,
223
721000
3000
ve beyin anlayış yaratabilme gücüne sahiptir,
12:19
what we're talking about in the body,
224
724000
2000
vücut hakkında konuşmaya başladığımızda da
12:21
and cancer is starting to model it like a complex system.
225
726000
3000
kanser kompleks bir sistem gibi modellenmeye başlıyor.
12:24
Well, the bad news is that these robust --
226
729000
3000
Yani, kötü haber bu işler çok zorlu--
12:27
and robust is a key word --
227
732000
2000
ve zorlu da anahtar kelimemiz--
12:29
emergent systems are very hard to understand in detail.
228
734000
4000
oluşan yeni sistemleri detaylıca anlamak çok zor.
12:33
The good news is you can manipulate them.
229
738000
3000
İyi haber ise onları manipule edebiliyorsunuz
12:36
You can try to control them
230
741000
2000
Onların her bir bileşenini
12:38
without that fundamental understanding of every component.
231
743000
3000
esaslıca anlamadan da onları kontrol etmeyi deneyebilirsiniz.
12:41
One of the most fundamental clinical trials in cancer
232
746000
3000
Şimdiye kadar yapılmış en temel kanser klinik çalışmalarından birisi
12:44
came out in February in the New England Journal of Medicine,
233
749000
3000
New England Journal of Medicine'de Şubat ayında yayınlandı,
12:47
where they took women who were pre-menopausal with breast cancer.
234
752000
4000
meme kanseri olan pre-menapozal dönemdeki kadınlarla çalıştılar.
12:51
So, about the worst kind of breast cancer you can get.
235
756000
3000
Yani bu olabileceğiniz en kötü türde kanserlerdendir.
12:54
They had gotten their chemotherapy,
236
759000
2000
Kemoterapilerini aldılar,
12:56
and then they randomized them,
237
761000
2000
ve sonra onları randomize ettiler,
12:58
where half got placebo,
238
763000
2000
bunlardan yarısı plasebo aldı,
13:00
and half got a drug called Zoledronic acid that builds bone.
239
765000
4000
diğer yarısı da kemik yapıcı Zoledronic acid adında bir ilaç aldı.
13:04
It's used to treat osteoporosis,
240
769000
2000
osteoporoz tedavisinde kullanılır,
13:06
and they got that twice a year.
241
771000
2000
senede iki defa bundan aldılar.
13:08
They looked and, in these 1,800 women,
242
773000
4000
Bakıldığında bu 1800 kadında
13:12
given twice a year a drug that builds bone,
243
777000
3000
yani senede 2 defa kemik yapan ilaç alanlarda
13:15
you reduce the recurrence of cancer by 35 percent.
244
780000
5000
kanser rekürrensinin (nüks etmek) %35 azaldığı saptandı.
13:21
Reduce occurrence of cancer by a drug
245
786000
2000
Kansere hiç dokunmayan bir ilaç ile elde edilen
13:23
that doesn't even touch the cancer.
246
788000
2000
azalmış bir nüks oranı.
13:25
So the notion, you change the soil, the seed doesn't grow as well.
247
790000
5000
Buradaki fikir, toprağı değiştirirseniz, tohum iyi yetişmez.
13:30
You change that system,
248
795000
3000
Sistemi değiştirdiniz,
13:33
and you could have a marked effect on the cancer.
249
798000
2000
ve kanser üzerinde bir etki sağlamış oldunuz.
13:35
Nobody has ever shown -- and this will be shocking --
250
800000
3000
Şimdiye dek hiç kimse--bu şok edici olabilir--
13:38
nobody has ever shown that most chemotherapy
251
803000
3000
hiç kimse yapılan kemoterapinin bir kanser hücresine
13:41
actually touches a cancer cell.
252
806000
2000
dokunduğunu gösterebilmiş değil.
13:43
It's never been shown.
253
808000
2000
Bu hiç gösterilemedi.
13:45
There's all these elegant work in the tissue culture dishes,
254
810000
3000
Doku kültür kaplarında yapılan onca zarif çalışma var, bunlar
13:48
that if you give this cancer drug, you can do this effect to the cell,
255
813000
3000
eğer bu kanser ilacını verirseniz, kanser hücresine şu etkisi olur diyor,
13:51
but the doses in those dishes are nowhere near
256
816000
3000
ama o kaplarda kullanılan dozlarla vücutta oluşan
13:54
the doses that happen in the body.
257
819000
4000
dozajın hiç alakası yok.
13:58
If I give a woman with breast cancer a drug called Taxol
258
823000
3000
Eğer meme kanseri olan bir kadına her üç haftada bir
14:01
every three weeks, which is the standard,
259
826000
2000
Taxol adında bir ilaç verirseniz, ki bu standart uygulamadır,
14:03
about 40 percent of women with metastatic cancer
260
828000
2000
metastatik kanseri olan kadınlardan %40'ının
14:05
have a great response to that drug.
261
830000
3000
bu ilaca yanıtı çok iyi olur.
14:08
And a response is 50 percent shrinkage.
262
833000
2000
Ve yanıtta %50'ye varan bir küçülmedir.
14:10
Well, remember that's not even an order of magnitude,
263
835000
2000
Ve, anımsayın ki bu vaka sayısına bağlı değil,
14:12
but that's a different story.
264
837000
2000
ama bu ayrı bir hikaye tabii.
14:14
They then recur, I give them that same drug every week.
265
839000
4000
Sonra nüks olur, ben de aynı ilacı her hafta vermeye başlarım.
14:18
Another 30 percent will respond.
266
843000
3000
Bir %30'u daha tedaviye olumlu yanıt verir.
14:21
They then recur, I give them that same drug
267
846000
2000
Ve sonra yeniden nüks olur, bu defa aynı ilacı 96 saat
14:23
over 96 hours by continuous infusion,
268
848000
3000
boyunca damardan sürekli infüzyon şeklinde veririm,
14:26
another 20 or 30 percent will respond.
269
851000
3000
ki %20-30'u da bu tedaviye cevap verir.
14:29
So, you can't tell me it's working by the same mechanism in all three size.
270
854000
4000
Yani bana bunun her üç dozajda da aynı mekanizma ile çalıştığını söyleyemezsiniz.
14:33
It's not. We have no idea the mechanism.
271
858000
3000
Çünkü öyle değil. Mekanizma hakkında hiç bir fikrimiz yok.
14:36
So the idea that chemotherapy may just be disrupting
272
861000
3000
Yani kemoterapi fikri bu kompleks sistemi dağıtmak
14:39
that complex system,
273
864000
3000
da olabilir,
14:42
just like building bone disrupted that system and reduced recurrence,
274
867000
5000
aynı kemik yapan ilacın sistemi dağıtması ve nüksü azaltması gibi,
14:47
chemotherapy may work by that same exact way.
275
872000
3000
kemoterapi de aynı şekilde çalışıyor olabilir.
14:50
The wild thing about that trial also,
276
875000
3000
Bu deney hakkındaki en müthiş şeyse,
14:53
was that it reduced new primaries, so new cancers, by 30 percent also.
277
878000
7000
yeni kanser odaklarını da küçültmüş olması, %30 oranında.
15:02
So, the problem is, yours and mine, all of our systems are changing.
278
887000
5000
Yani sorun, sizin ve benim sorunumuz şu, hepimizin sistemleri değişiyor.
15:07
They're dynamic.
279
892000
2000
Sistemlerimiz dinamik.
15:09
I mean, this is a scary slide, not to take an aside,
280
894000
3000
Demek istediğim bu korkutucu bir değişim,
15:12
but it looks at obesity in the world.
281
897000
2000
ama dünyadaki obeziteye bir bakın.
15:14
And I'm sorry if you can't read the numbers, they're kind of small.
282
899000
3000
Sayıları okuyamazsanız kusura bakmayın, bayağı küçükler.
15:17
But, if you start to look at it, that red, that dark color there,
283
902000
4000
Ama baktığınızda, bu kırmızı, buradaki bu koyu renk,
15:21
more than 75 percent of the population
284
906000
3000
nüfusun %75'inden fazlası obez olan
15:24
of those countries are obese.
285
909000
3000
ülkeler.
15:27
Look a decade ago, look two decades ago: markedly different.
286
912000
4000
On yıl öncesine bakın, yirmi yıl öncesine, farklı işaretlenmiş.
15:31
So, our systems today are dramatically different
287
916000
3000
Yani şimdiki sistemlerimizin dinamiği on veya
15:34
than our systems a decade or two ago.
288
919000
4000
yirmi yıl öncesinden farklı.
15:38
So the diseases we have today,
289
923000
3000
Yani bugünkü hastalıklarımız,
15:41
which reflect patterns in the system over the last several decades,
290
926000
4000
ki bunlar geçmiş pek çok on-yıllarımızın sistemimizdeki yansımasını gösteriyor,
15:45
are going to change dramatically over the next decade or so
291
930000
4000
buna benzer şeylere dayalı olarak önümüzdeki on yıl içinde
15:49
based on things like this.
292
934000
3000
dinamik olarak değişecek.
15:52
So, this picture, although it is beautiful, is a 40-gigabyte picture
293
937000
10000
Yani bu fotoğraf, ne kadar güzel de olsa, 40 GB lık bu fotoğraf
16:02
of the whole proteome.
294
947000
2000
tüm bir proteomun fotoğrafı.
16:04
So this is a drop of blood that has gone through a superconducting magnet,
295
949000
4000
Yani bu süper iletken bir mıknatıstan geçmiş bir kan damlasından
16:08
and we're able to get resolution
296
953000
2000
bir çözünürlük elde edebiliyoruz,
16:10
where we can start to see all of the proteins in the body.
297
955000
4000
bu şekilde de vücuttaki tüm proteinleri görebiliyoruz.
16:14
We can start to see that system.
298
959000
2000
Sistemi görmeye başlayabiliyoruz.
16:16
Each of the red dots are where a protein has actually been identified.
299
961000
4000
Her bir kırmızı nokta tanımlanabilmiş bir proteini gösteriyor.
16:20
The power of these magnets, the power of what we can do here,
300
965000
2000
Bu mıknatısların gücü, burada yapabileceklerimizi gücü
16:22
is that we can see an individual neutron with this technology.
301
967000
5000
bu teknoloji sayesinde "bireysel bir nötronu" görmemize dayalı.
16:27
So, again, this is stuff we're doing with Danny Hillis
302
972000
3000
Yani, Danny Hillis ve Uygulamalı Proteomik adındaki
16:30
and a group called Applied Proteomics,
303
975000
2000
ekip ile yapmakta olduğumuz şey,
16:32
where we can start to see individual neutron differences,
304
977000
4000
bu bireysel nötron değişikliklerini görebilir hale gelmemiz,
16:36
and we can start to look at that system like we never have before.
305
981000
4000
ve böylece sisteme daha önce hiç bakmadığımız bir şekilde bakabiliyoruz.
16:40
So, instead of a reductionist view, we're taking a step back.
306
985000
4000
Yani kısıtlayıcı bakış yerine bir adım geri atıyoruz.
16:44
So this is a woman, 46 years old,
307
989000
4000
İşte bu 46 yaşında bir kadın
16:48
who had recurrent lung cancer.
308
993000
3000
nüks eden akciğer kanseri hastası.
16:51
It was in her brain, in her lungs, in her liver.
309
996000
4000
Kanser beyninde, akciğerlerinde, karaciğerindeydi.
16:55
She had gotten Carboplatin Taxol, Carboplatin Taxotere,
310
1000000
4000
Carboplatin Taxol, Carboplatin Taxotere, Gemcitabene,
16:59
Gemcitabine, Navelbine:
311
1004000
2000
Navelbine tedavisi aldı.
17:01
Every drug we have she had gotten, and that disease continued to grow.
312
1006000
5000
Bilinen her ilaç denedi, ve hastalık ilerlemeye devam etti.
17:06
She had three kids under the age of 12,
313
1011000
4000
12 yaş altında 3 çocuğu vardı,
17:10
and this is her CT scan.
314
1015000
2000
ve buda BT taraması.
17:12
And so what this is, is we're taking a cross-section of her body here,
315
1017000
3000
Yani bu nedir? BuradavVücudundan kesitsel görüntüler alıyoruz.
17:15
and you can see in the middle there is her heart,
316
1020000
3000
Burada ortada kalbi görebilirsiniz,
17:18
and to the side of her heart on the left there is this large tumor
317
1023000
4000
kalbin hemen yanında solda bütük bir tümor var.
17:22
that will invade and will kill her, untreated, in a matter of weeks.
318
1027000
6000
bu tedavi olmazsa saldırıya geçip onu haftalar içinde öldürecek.
17:28
She goes on a pill a day that targets a pathway,
319
1033000
5000
Bir kimyasal yolu hedefleyen tek bir ilaç almaya başlıyor,
17:33
and again, I'm not sure if this pathway was in the system, in the cancer,
320
1038000
4000
ve tekrar belirteyim, bu yolun kanserin içindeki sisteme dahil olduğundan emin değilim,
17:37
but it targeted a pathway, and a month later, pow, that cancer's gone.
321
1042000
6000
ama bir yola hedeflenen bir ilaç, ve işte bir ay sonrası, kanser yok oldu.
17:43
Six months later it's still gone.
322
1048000
3000
Altı ay sonra, hala yok.
17:46
That cancer recurred, and she passed away three years later from lung cancer,
323
1051000
5000
Bu kanser nüksetti ve bu hasta üç sene sonraakciğer kanserinden vefat etti,
17:51
but she got three years from a drug
324
1056000
4000
ama bir ilaç sayesinde üç yıl kazanmış oldu
17:55
whose symptoms predominately were acne.
325
1060000
2000
ve ilacın semptomları ağırlıklı olarak sivilceydi.
17:57
That's about it.
326
1062000
2000
Konu bundan ibarettir.
17:59
So, the problem is that the clinical trial was done,
327
1064000
4000
Yani, problem şu, klinik çalışma tamamlandı,
18:03
and we were a part of it,
328
1068000
2000
ve bizler de parçasıydık,
18:05
and in the fundamental clinical trial --
329
1070000
2000
ve klinik deneylerin temelinde,
18:07
the pivotal clinical trial we call the Phase Three,
330
1072000
2000
ana klinik deneyde, ki biz buna faz 3 diyoruz,
18:09
we refused to use a placebo.
331
1074000
3000
placebo kullanmayı reddettik.
18:12
Would you want your mother, your brother, your sister
332
1077000
2000
Anne veya kardeşlerinizin ilerlemiş seviyede
18:14
to get a placebo if they had advanced lung cancer and had weeks to live?
333
1079000
4000
akciğer kanseri olsaydı ve yaşamak için de bir kaç haftası, plasebo ister miydiniz?
18:18
And the answer, obviously, is not.
334
1083000
2000
Cevap elbette hayır olacaktır.
18:20
So, it was done on this group of patients.
335
1085000
2000
Bu nedenle çalışma bu hasta grubunda yapıldı
18:22
Ten percent of people in the trial had this dramatic response that was shown here,
336
1087000
6000
Grubun %10'unda bu dramatik yanıt gözlendi, burada gösteriliyor,
18:28
and the drug went to the FDA,
337
1093000
3000
ilaç da FDA'ya gitti,
18:31
and the FDA said, "Without a placebo,
338
1096000
2000
ve FDA de plasebo çalışması olmadan
18:33
how do I know patients actually benefited from the drug?"
339
1098000
5000
bu ilacın hastalara gerçekten faydalı olduğunu nasıl anlayacağım diye sordu.
18:38
So the morning the FDA was going to meet,
340
1103000
2000
Ve FDA'in toplantı yapacağı sabah,
18:40
this was the editorial in the Wall Street Journal.
341
1105000
3000
Wall Street Journal'daki başmakale buydu.
18:43
(Laughter)
342
1108000
2000
(kahkahalar)
18:45
And so, what do you know, that drug was approved.
343
1110000
4000
Ve, biliyor musunuz, o ilaç onaylandı.
18:49
The amazing thing is another company did the right scientific trial,
344
1114000
4000
Şaşırtıcı olan şu, başka bir şirket doğru bir klinik deneyi yaptı,
18:53
where they gave half placebo and half the drug.
345
1118000
3000
hastaların yarısına placebo, diper yarısına da ilaçtan verdiler.
18:56
And we learned something important there.
346
1121000
2000
Burada önemli birşey öğrenmiş olduk.
18:58
What's interesting is they did it in South America and Canada,
347
1123000
3000
İlginç olan bu çalışmayı Güney Amerika ve Kanada'da
19:01
where it's "more ethical to give placebos."
348
1126000
3000
"plasebo vermenin daha etik olduğu" yerde yapmış olmaları,
19:04
They had to give it also in the U.S. to get approval,
349
1129000
2000
onay alabilmek için U.S'de de yapmak zorunda kaldılar,
19:06
so I think there were three U.S. patients
350
1131000
2000
yani sanıyorum, denekler arasında New York kırsallarından
19:08
in upstate New York who were part of the trial.
351
1133000
2000
katılan sadece üç tane US vatandaşı yer aldı.
19:10
But they did that, and what they found
352
1135000
2000
Ama bunu yaptılar, ve buldukları da şu oldu,
19:12
is that 70 percent of the non-responders
353
1137000
3000
ilaca cevap vermeyenlerden %70 'i
19:15
lived much longer and did better than people who got placebo.
354
1140000
5000
plasebo alanlardan çok daha iyiydi ve çok daha uzun yaşadılar.
19:20
So it challenged everything we knew in cancer,
355
1145000
3000
Yani bu deney kanser hakkında bildiğimiz herşeye
19:23
is that you don't need to get a response.
356
1148000
2000
meydan okudu, ilaca yanıt alma zorunluluğunuz da yok.
19:25
You don't need to shrink the disease.
357
1150000
2000
Hastalığı "küçültmeniz" de gerekmiyor.
19:27
If we slow the disease, we may have more of a benefit
358
1152000
4000
Hastalığı yavaşlatabilirsek, hastanın kalan yaşam süresi
19:31
on patient survival, patient outcome, how they feel,
359
1156000
4000
bu sürenin kalitesi ve hastaların nasıl hissetiği hakkında
19:35
than if we shrink the disease.
360
1160000
2000
daha faydalı sonuçlar elde edebiliriz.
19:37
The problem is that, if I'm this doc, and I get your CT scan today
361
1162000
3000
Problem şu, ben bir doktorum, bugün BT taramanıza bakıyorum,
19:40
and you've got a two centimeter mass in your liver,
362
1165000
3000
karaciğerinizde 2 cm kitle görüyorum,
19:43
and you come back to me in three months and it's three centimeters,
363
1168000
3000
üç ay sonra geri geldiğinizdeyse bu 3 cm olmuş,
19:46
did that drug help you or not?
364
1171000
2000
ilaç size faydalı oldu mu olmadı mı?
19:48
How do I know?
365
1173000
2000
Nereden bileceğim?
19:50
Would it have been 10 centimeters, or am I giving you a drug
366
1175000
4000
Vermeseydim 10 cm mi olacaktı, yada size verdiğim ilaç
19:54
with no benefit and significant cost?
367
1179000
3000
belirgin bir faydası veya zararı olmayan bir ilaç mı?
19:57
So, it's a fundamental problem.
368
1182000
2000
Bu çok temel bir sorun.
19:59
And, again, that's where these new technologies can come in.
369
1184000
5000
Ve yeniden, yeni teknoloji burada devreye giriyor.
20:04
And so, the goal obviously is that you go into your doctor's office --
370
1189000
4000
Yani aşikar olan şey, doktorun ofisine girdiğinizde--
20:08
well, the ultimate goal is that you prevent disease, right?
371
1193000
3000
yani, esas amaç nihai amaç bu hastalığın önlenmesi, değil mi?
20:11
The ultimate goal is that you prevent any of these things from happening.
372
1196000
4000
Nihai amaç bütün bunların olmasına en baştan engel olmak.
20:15
That is the most effective, cost-effective,
373
1200000
3000
Bu en etkili, en ucuz ve
20:18
best way we can do things today.
374
1203000
2000
başarabileceğimiz en iyi şey.
20:20
But if one is unfortunate to get a disease,
375
1205000
3000
Ama birisi hastalanacak kadar şanssızsa,
20:23
you'll go into your doctor's office, he or she will take a drop of blood,
376
1208000
3000
doktorun ofisine gidecek, bir damla kan verecek,
20:26
and we will start to know how to treat your disease.
377
1211000
4000
ve hastalığınızı nasıl tedavi edeceğimizi anlamaya başlayacağız.
20:31
The way we've approached it is the field of proteomics,
378
1216000
3000
Bu konuya proteomik açıdan yaklaşacağız,
20:34
again, this looking at the system.
379
1219000
2000
yeniden, bu şekilde sisteme bakacağız.
20:36
It's taking a big picture.
380
1221000
2000
Bu büyük fotoğrafı görmek.
20:38
The problem with technologies like this is
381
1223000
3000
Bu çeşit teknolojilerdeki sorun ise
20:41
that if one looks at proteins in the body,
382
1226000
2000
vücuttaki proteinlere baktığınızda
20:43
there are 11 orders of magnitude difference
383
1228000
3000
yüksek çoklu ve düşük çoklu proteinler arasında
20:46
between the high-abundant and the low-abundant proteins.
384
1231000
3000
11 ayrı düzeyde büyüklük farklılığı olması.
20:49
So, there's no technology in the world that can span 11 orders of magnitude.
385
1234000
5000
Dünyada henüz ayrı 11 düzeyde büyüklük ölçebilecek bir teknoloji yok.
20:54
And so, a lot of what has been done with people like Danny Hillis and others
386
1239000
5000
Yani Danny Hillis ve ekibiyle yapılmış olan şeylerin çoğu
20:59
is to try to bring in engineering principles, try to bring the software.
387
1244000
4000
mühendislik ilkelerini kullanarak yazılımı oluşturmaya sağlamaktan ibaret.
21:03
We can start to look at different components along this spectrum.
388
1248000
5000
Bu spektruma farklı bölümlerinden bakmaya başlayabiliriz.
21:08
And so, earlier was talked about cross-discipline, about collaboration.
389
1253000
5000
Daha önce çapraz disipliner iş birliğinden bahsettik.
21:13
And I think one of the exciting things that is starting to happen now
390
1258000
3000
Ve bence oluşan heyecan verici şeylerden biri de
21:16
is that people from those fields are coming in.
391
1261000
3000
bu alanlardan yeni insanların buna katılıyor olması.
21:19
Yesterday, the National Cancer Institute announced a new program
392
1264000
3000
Dün, Ulusal Kanser Enstitüsü yeni bir program açıkladı
21:22
called the Physical Sciences and Oncology,
393
1267000
3000
İsmi, onkoloji ve fiziksel bilimler,
21:25
where physicists, mathematicians, are brought in to think about cancer,
394
1270000
4000
fizikçiler, matematikçiler kanser hakkında düşünmeleri için davet ediliyorlar,
21:29
people who never approached it before.
395
1274000
3000
bu konuyla daha önce teması olmamış kişiler.
21:32
Danny and I got 16 million dollars, they announced yesterday,
396
1277000
3000
Danny ve ben bu problemi yüklenmek için 16 milyon dolar aldık,
21:35
to try to attach this problem.
397
1280000
2000
bu bize dün bildirildi.
21:37
A whole new approach, instead of giving high doses of chemotherapy
398
1282000
4000
Tamamen yeni bir yaklaşım, farklı mekanizmalarla yüksek dozlarda
21:41
by different mechanisms,
399
1286000
2000
kemoterapi vermek yerine
21:43
to try to bring technology to get a picture of what's actually happening in the body.
400
1288000
6000
teknolojiyi kullanarak aslında vücutta neler olup bittiğinin resmini alabilmek için.
21:49
So, just for two seconds, how these technologies work --
401
1294000
4000
Şimdi 2 dakika bu teknolojilerin nasıl çalıştığı--
21:53
because I think it's important to understand it.
402
1298000
3000
çünkü bunu anlamamız gerçekten önemli.
21:56
What happens is every protein in your body is charged,
403
1301000
3000
Olan şey şu, her bir proteininiz elektriksel bir yük taşıyor,
21:59
so the proteins are sprayed in, the magnet spins them around,
404
1304000
4000
yani proteinleriniz serpilmiş durumda, manyetik alan onları etraflarında döndürüyor,
22:03
and then there's a detector at the end.
405
1308000
2000
ve en sonda da bir dedektör var.
22:05
When it hit that detector is dependent on the mass and the charge.
406
1310000
5000
Bu dedektöre ne zaman çarpacakları kütle ve elektrik yüklerine bağlı.
22:10
And so we can accurately -- if the magnet is big enough,
407
1315000
3000
Ve eğer mıknatıs yeterince büyükse,
22:13
and your resolution is high enough --
408
1318000
2000
ve sizin de çözünürlüğünüz yeterince yüksekse,
22:15
you can actually detect all of the proteins in the body
409
1320000
3000
gerçekten vücudunuzda yer alan bütün proteinleri hassas olarak saptayabilir
22:18
and start to get an understanding of the individual system.
410
1323000
4000
ve bu sistemin nasıl çalıştığını anlamaya başlayabilirsiniz.
22:22
And so, as a cancer doctor,
411
1327000
2000
Ben, bir kanser doktoru olarak,
22:24
instead of having paper in my chart, in your chart, and it being this thick,
412
1329000
5000
dosyalarımda ya da sizin dosyanızda, duran bu kalınlıkta kağıtlar yerine,
22:29
this is what data flow is starting to look like in our offices,
413
1334000
4000
ofisimdeki veri akışı artık buna benzemeye başladı,
22:33
where that drop of blood is creating gigabytes of data.
414
1338000
3000
bir tek damla kandan GB'lar dolusu veri alınıyor.
22:36
Electronic data elements are describing every aspect of the disease.
415
1341000
4000
Elektronik veri elemanları hastalığın her yönünü tasvir ediyorlar.
22:40
And certainly the goal is we can start to learn from every encounter
416
1345000
4000
Ve elbette ki amacımız karşılaştığımız durumlardan temel bir şey öğrenmeden
22:44
and actually move forward, instead of just having encounter and encounter,
417
1349000
5000
yeniden, yeniden bu durumlarla karşılaşmaktansa, her bir karşılaşmadan
22:49
without fundamental learning.
418
1354000
2000
yeni bir çey öğrenerek ileriye doğru gitmek.
22:51
So, to conclude, we need to get away from reductionist thinking.
419
1356000
6000
Sonuç olarak kısıtlayıcı bu bakış açısından kurtulmalıyız.
22:57
We need to start to think differently and radically.
420
1362000
4000
Daha farklı ve daha radikal düşünmeye başlamalıyız.
23:01
And so, I implore everyone here: Think differently. Come up with new ideas.
421
1366000
4000
Buradaki herkese rica ediyorum, farklı düşünmeye çalışın. Yeni fikirler üretin.
23:05
Tell them to me or anyone else in our field,
422
1370000
3000
Bunları bana veya kendi alanınızda başkalarına söyleyin,
23:08
because over the last 59 years, nothing has changed.
423
1373000
3000
çünkü son 59 yıldır değişen hiçbir şey olmadı.
23:11
We need a radically different approach.
424
1376000
3000
Radikal anlamda farklı yaklaşımlara ihtiyacımız var.
23:14
You know, Andy Grove stepped down as chairman of the board at Intel --
425
1379000
3000
Biliyorsunuz, Andy Grove Intel'deki başkanlığından indiği zaman--
23:17
and Andy was one of my mentors, tough individual.
426
1382000
3000
ve Andy akıl hocalarımdan birisidir, çetin birisidir--
23:20
When Andy stepped down, he said,
427
1385000
2000
Andy görevini bıraktığında, şöyle demişti,
23:22
"No technology will win. Technology itself will win."
428
1387000
3000
"Hiç bir teknoloji kazanmayacak. Teknolojinin kendisi kazanacak"
23:25
And I'm a firm believer, in the field of medicine and especially cancer,
429
1390000
4000
Ve bende tıp alanı ve kanser konusunda teknolojinin geniş alanda
23:29
that it's going to be a broad platform of technologies
430
1394000
3000
kullanılacağına, bunun ileriye doğru gitmemizde yardımcı olacağına
23:32
that will help us move forward
431
1397000
2000
inanan birisi olarak, çok yakın gelecekte
23:34
and hopefully help patients in the near-term.
432
1399000
2000
bu hastalara yardımcı olabileceğimizi düşünüyorum.
23:36
Thank you very much.
433
1401000
2000
Çok teşekkür ediyorum.
ABOUT THE SPEAKER
David Agus - Cancer DoctorAlthough a highly-accomplished conventional doctor, David Agus has embraced the future of medicine and is constantly exploring ways that new technologies can help in the fight against cancer.
Why you should listen
David Agus is a medical doctor and a Professor of Medicine at the University of Southern California. However, he is also the founder of a couple of game-changing medical initiatives. In 2006, he co-founded Navigenics with Dietrich Stephan, Ph.D., to form a company that would provide people with their individual genetic information, allowing them to act on any predispositions to disease that they might have and prevent onset. He also founded Oncology.com which was the largest cancer Internet resource and community.
Dr. Agus’ research is focused on the application of proteomics and genomics in the study of cancer, as well as developing new therapeutic treatments for cancer. He serves as Director of the USC Center for Applied Molecular Medicine and the USC Westside Prostate Cancer Center. Agus is also the recipient of several honors and awards, including the American Cancer Society Physician Research Award, a Clinical Scholar Award from the Sloan-Kettering Institute and the International Myeloma Foundation Visionary Science Award.
David Agus | Speaker | TED.com