ABOUT THE SPEAKER
Allan Jones - Brain scientist
As CEO of the Allen Institute for Brain Science, Allan Jones leads an ambitious project to build an open, online, interactive atlas of the human brain.

Why you should listen

The Allen Institute for Brain Science -- based in Seattle, kickstarted by Microsoft co-founder Paul Allen -- has a mission to fuel discoveries about the human brain by building tools the entire scientific community can use. As CEO, one of Allan Jones' first projects was to lead the drive to create a comprehensive atlas of the brain of a mouse. Flash forward to April 2011, when the Allen Institute announced the first milestone in its online interactive atlas of the human brain, showing the activity of the more than 20,000 human genes it contains. It's based on a composite of 15 brains, since every human brain is unique.

Think of the Allen Human Brain Atlas as a high-tech bridge between brain anatomy and genetics. Using this atlas, scientists will be able to determine where in the brain genes that encode specific proteins are active, including proteins that are affected by medication. Or researchers could zoom in on brain structures thought to be altered in mental disorders such as schizophrenia to find their molecular footprint. The atlas may provide clues to memory, attention, motor coordination, hunger, and perhaps emotions such as happiness or anxiety.

He says: "Understanding how our genes are used in our brains will help scientists and the medical community better understand and discover new treatments for the full spectrum of brain diseases and disorders."

Watch Dr. Jones' latest TEDx talk on the map of the brain, from TEDxCaltech 2013 >>

More profile about the speaker
Allan Jones | Speaker | TED.com
TEDGlobal 2011

Allan Jones: A map of the brain

Allan Jones: Eine Karte des Gehirns

Filmed:
1,269,611 views

Wie können wir anfangen, die Arbeitsweise des Gehirns zu verstehen? Genauso, wie wir anfangen, eine Stadt zu verstehen: indem wir sie kartieren. In dieser visuell beeindruckenden Rede, zeigt Allan Jones, wie sein Team kartiert, welche Gene in jeder winzigen Region eingeschaltet sind und wie alles miteinander kommuniziert.
- Brain scientist
As CEO of the Allen Institute for Brain Science, Allan Jones leads an ambitious project to build an open, online, interactive atlas of the human brain. Full bio

Double-click the English transcript below to play the video.

00:15
HumansMenschen have long heldgehalten a fascinationFaszination
0
0
2000
Seit langem übt das menschliche Gehirn
00:17
for the humanMensch brainGehirn.
1
2000
2000
eine Faszination auf Menschen aus.
00:19
We chartDiagramm it, we'vewir haben describedbeschrieben it,
2
4000
3000
Wir machten Schaubilder, Beschreibungen,
00:22
we'vewir haben drawngezeichnet it,
3
7000
2000
Zeichnungen
00:24
we'vewir haben mappedzugeordnet it.
4
9000
3000
und Karten.
00:27
Now just like the physicalphysisch mapsKarten of our worldWelt
5
12000
3000
Nun, ebenso wie die physischen Karten unserer Erde,
00:30
that have been highlyhöchst influencedbeeinflusst by technologyTechnologie --
6
15000
3000
die sehr von Technologie beeinflusst wurden –
00:33
think GoogleGoogle MapsKarten,
7
18000
2000
denken sie an Google Maps,
00:35
think GPSGPS --
8
20000
2000
denken sie an GPS –
00:37
the samegleich thing is happeningHappening for brainGehirn mappingKartierung
9
22000
2000
dasselbe passiert bei Gehirnaufzeichnungen
00:39
throughdurch transformationTransformation.
10
24000
2000
durch Umwandlung.
00:41
So let's take a look at the brainGehirn.
11
26000
2000
Sehen wir uns also das Gehirn an.
00:43
MostDie meisten people, when they first look at a freshfrisch humanMensch brainGehirn,
12
28000
3000
Viele Menschen, wenn sie zum ersten Mal ein frisches menschliches Gehirn sehen,
00:46
they say, "It doesn't look what you're typicallytypischerweise looking at
13
31000
3000
sagen: "Normalerweise sieht es anders aus,
00:49
when someonejemand showszeigt an you a brainGehirn."
14
34000
2000
wenn man ein Gehirn gezeigt bekommt."
00:51
TypicallyIn der Regel, what you're looking at is a fixedFest brainGehirn. It's graygrau.
15
36000
3000
Was sie normalerweise sehen, ist ein fixiertes Gehirn. Es ist grau.
00:54
And this outeräußere layerSchicht, this is the vasculatureGefäßsystem,
16
39000
2000
Und diese Aussenschicht, das Gefäßsystem –
00:56
whichwelche is incredibleunglaublich, around a humanMensch brainGehirn.
17
41000
2000
welches unglaublich ist – umgibt das menschliche Gehirn.
00:58
This is the bloodBlut vesselsSchiffe.
18
43000
2000
Dies sind die Blutgefäße.
01:00
20 percentProzent of the oxygenSauerstoff
19
45000
3000
20 Prozent des Sauerstoffs
01:03
comingKommen from your lungsLunge,
20
48000
2000
kommt aus den Lungen,
01:05
20 percentProzent of the bloodBlut pumpedgepumpt from your heartHerz,
21
50000
2000
20 Prozent unseren Blutes wird aus dem Herzen gepumpt,
01:07
is servicingWartung this one organOrgan.
22
52000
2000
es versorgt dieses eine Organ.
01:09
That's basicallyGrundsätzlich gilt, if you holdhalt two fistsFäuste togetherzusammen,
23
54000
2000
Es ist im Grunde, wenn sie ihre zwei Fäuste aneinander halten,
01:11
it's just slightlyleicht largergrößer than the two fistsFäuste.
24
56000
2000
ein wenig grösser als ihre beiden Fäuste.
01:13
ScientistsWissenschaftler, sortSortieren of at the endEnde of the 20thth centuryJahrhundert,
25
58000
3000
Wissenschaftler fanden Ende des 20. Jahrhunderts heraus,
01:16
learnedgelernt that they could trackSpur bloodBlut flowfließen
26
61000
2000
dass sie den Blutfluss verfolgen können,
01:18
to mapKarte non-invasivelynicht-invasiv
27
63000
3000
um nicht-invasiv aufzuzeichnen,
01:21
where activityAktivität was going on in the humanMensch brainGehirn.
28
66000
3000
wo Aktivität im menschlichen Gehirn stattfindet.
01:24
So for exampleBeispiel, they can see in the back partTeil of the brainGehirn,
29
69000
3000
So können sie, z.B. die Rückseite des Gehirns betrachten,
01:27
whichwelche is just turningDrehen around there.
30
72000
2000
welches sich gerade herumdreht.
01:29
There's the cerebellumKleinhirn; that's keepinghalten you uprightaufrecht right now.
31
74000
2000
Da ist das Kleinhirn; es hält sie in diesem Moment aufrecht.
01:31
It's keepinghalten me standingStehen. It's involvedbeteiligt in coordinatedkoordiniert movementBewegung.
32
76000
3000
Dadurch kann ich stehen. Es ist an koordinierten Bewegungen beteiligt.
01:34
On the sideSeite here, this is temporalzeitliche cortexKortex.
33
79000
3000
Auf der rechten Seite befindet sich der temporale Kortex.
01:37
This is the areaBereich where primaryprimär auditoryakustisch processingwird bearbeitet --
34
82000
3000
Das ist der Bereich, in dem die erste Verarbeitung des Hörens stattfindet --
01:40
so you're hearingHören my wordsWörter,
35
85000
2000
sie hören meine Worte,
01:42
you're sendingSenden it up into higherhöher languageSprache processingwird bearbeitet centersZentren.
36
87000
2000
sie senden sie in höher gelegene Sprachverarbeitungszentren.
01:44
TowardsIn Richtung the frontVorderseite of the brainGehirn
37
89000
2000
In Richtung des vorderen Hirnbereichs
01:46
is the placeOrt in whichwelche all of the more complexKomplex thought, decisionEntscheidung makingHerstellung --
38
91000
3000
ist der Bereich, in dem komplexe Gedankenvorgänge, wie Entscheidungen stattfinden –
01:49
it's the last to matureReifen in latespät adulthoodErwachsenenalter.
39
94000
4000
Es ist das Letzte, was im späten Erwachsenenalter heranreift.
01:53
This is where all your decision-makingEntscheidung fällen processesProzesse are going on.
40
98000
3000
Dort finden alle Entscheidungsprozesse statt.
01:56
It's the placeOrt where you're decidingentscheiden right now
41
101000
2000
Es ist der Bereich, in dem sie jetzt gerade entscheiden,
01:58
you probablywahrscheinlich aren'tsind nicht going to orderAuftrag the steakSteak for dinnerAbendessen.
42
103000
3000
vielleicht doch nicht das Steak zum Abendessen zu bestellen.
02:01
So if you take a deeperTiefer look at the brainGehirn,
43
106000
2000
Wenn sie also einen tieferen Blick in das Gehirn werfen,
02:03
one of the things, if you look at it in cross-sectionQuerschnitt,
44
108000
2000
ist eines der Dinge, die sie
02:05
what you can see
45
110000
2000
im Querschnitt erkennen,
02:07
is that you can't really see a wholeganze lot of structureStruktur there.
46
112000
3000
dass sie eine ganze Menge kleiner Strukturen nicht sehen können.
02:10
But there's actuallytatsächlich a lot of structureStruktur there.
47
115000
2000
Aber es gibt hier tatsächlich viele Strukturen.
02:12
It's cellsZellen and it's wiresDrähte all wiredverdrahtet togetherzusammen.
48
117000
2000
Seine Zellen und seine Leitungen sind alle miteinander verdrahtet.
02:14
So about a hundredhundert yearsJahre agovor,
49
119000
2000
Vor etwa 100 Jahren erfanden
02:16
some scientistsWissenschaftler inventederfunden a stainFleck that would stainFleck cellsZellen.
50
121000
2000
einige Wissenschaftler eine Farbe, die Zellen einfärben konnte.
02:18
And that's showngezeigt here in the the very lightLicht blueblau.
51
123000
3000
Hier an dem leichten Blau zu sehen.
02:21
You can see areasBereiche
52
126000
2000
Sie können Bereiche sehen,
02:23
where neuronalneuronale cellZelle bodiesKörper are beingSein stainedbefleckt.
53
128000
2000
in denen normale Körperzellen eingefärbt sind.
02:25
And what you can see is it's very non-uniformungleichmäßige. You see a lot more structureStruktur there.
54
130000
3000
Und was sie sehen ist sehr ungleichmäßig. Hier sehen sie eine größere Anordnung.
02:28
So the outeräußere partTeil of that brainGehirn
55
133000
2000
Der äußere Bereich des Gehirns
02:30
is the neocortexNeocortex.
56
135000
2000
ist der Neokortex.
02:32
It's one continuouskontinuierlich processingwird bearbeitet unitEinheit, if you will.
57
137000
3000
Es ist eine durchgehende Verarbeitungseinheit, wenn sie so wollen.
02:35
But you can alsoebenfalls see things underneathunterhalb there as well.
58
140000
2000
Ebenso können sie etwas unterhalb erkennen.
02:37
And all of these blankleer areasBereiche
59
142000
2000
Alle diese leeren Gebiete,
02:39
are the areasBereiche in whichwelche the wiresDrähte are runningLaufen throughdurch.
60
144000
2000
sind die Gebiete, in denen die Leitungen durchlaufen.
02:41
They're probablywahrscheinlich lessWeniger cellZelle densedicht.
61
146000
2000
Sie sind wahrscheinlich weniger zelldurchlässig.
02:43
So there's about 86 billionMilliarde neuronsNeuronen in our brainGehirn.
62
148000
4000
Es gibt etwa 86 Billionen Neuronen in unseren Gehirn.
02:47
And as you can see, they're very non-uniformlyungleichmäßig distributedverteilt.
63
152000
3000
Wie sie hier sehen können, sind sie sehr ungleichmäßig verteilt.
02:50
And how they're distributedverteilt really contributesträgt bei
64
155000
2000
Und die Art und Weise, wie sie verteilt sind, trägt sehr
02:52
to theirihr underlyingzugrunde liegenden functionFunktion.
65
157000
2000
zu ihrer eigentlichen Funktionsweise bei.
02:54
And of courseKurs, as I mentionederwähnt before,
66
159000
2000
Und, wie ich zuvor angemerkt habe,
02:56
sinceschon seit we can now startAnfang to mapKarte brainGehirn functionFunktion,
67
161000
3000
da wir nun anfangen können, die Gehirnfunktion zu kartieren,
02:59
we can startAnfang to tieKrawatte these into the individualPerson cellsZellen.
68
164000
3000
können wir anfangen, sie einzelnen Zellen zuzuordnen.
03:02
So let's take a deeperTiefer look.
69
167000
2000
Sehen wir uns das also genauer an.
03:04
Let's look at neuronsNeuronen.
70
169000
2000
Werfen wir einen Blick auf die Neuronen.
03:06
So as I mentionederwähnt, there are 86 billionMilliarde neuronsNeuronen.
71
171000
2000
Wie ich bereits erwähnte, gibt es 86 Billionen Neuronen.
03:08
There are alsoebenfalls these smallerkleiner cellsZellen as you'lldu wirst see.
72
173000
2000
Außerdem gibt es diese kleineren Zellen wie sie sehen werden.
03:10
These are supportUnterstützung cellsZellen -- astrocytesAstrozyten gliaGlia.
73
175000
2000
Es handelt sich um Stützzellen – sogenannte Astrozyten.
03:12
And the nervesNerven themselvessich
74
177000
3000
Die Nerven selber
03:15
are the onesEinsen who are receivingEmpfang inputEingang.
75
180000
2000
sind diejenigen, die Informationen erhalten.
03:17
They're storingSpeicherung it, they're processingwird bearbeitet it.
76
182000
2000
Sie speichern und verarbeiten sie.
03:19
EachJedes neuronNeuron is connectedin Verbindung gebracht viaüber synapsesSynapsen
77
184000
4000
Jedes Neuron ist mit bis zu 10.000 anderen
03:23
to up to 10,000 other neuronsNeuronen in your brainGehirn.
78
188000
3000
Neuronen in Ihrem Gehirn mittels Synapsen verbunden.
03:26
And eachjede einzelne neuronNeuron itselfselbst
79
191000
2000
Und jedes Neuron für sich
03:28
is largelyweitgehend uniqueeinzigartig.
80
193000
2000
ist weitgehend einzigartig.
03:30
The uniqueeinzigartig characterCharakter of bothbeide individualPerson neuronsNeuronen
81
195000
2000
Der einzigartige Charakter von beiden einzelnen Nervenzellen
03:32
and neuronsNeuronen withininnerhalb a collectionSammlung of the brainGehirn
82
197000
2000
und Neuronen innerhalb des Gehirnverbands
03:34
are drivenGefahren by fundamentalgrundlegend propertiesEigenschaften
83
199000
3000
resultiert aus der grundlegendes Eigenschaft
03:37
of theirihr underlyingzugrunde liegenden biochemistryBiochemie.
84
202000
2000
ihrer zugrunde liegenden Biochemie.
03:39
These are proteinsProteine.
85
204000
2000
Das sind Proteine.
03:41
They're proteinsProteine that are controllingControlling things like ionIon channelKanal movementBewegung.
86
206000
3000
Proteine, die Dinge wie die Bewegungen der Ionenkanäle steuern.
03:44
They're controllingControlling who nervousnervös systemSystem cellsZellen partnerPartner up with.
87
209000
4000
Sie steuern, mit wem sich Nervenzellen zusammenschließen.
03:48
And they're controllingControlling
88
213000
2000
Und sie steuern
03:50
basicallyGrundsätzlich gilt everything that the nervousnervös systemSystem has to do.
89
215000
2000
im Grunde alles, was mit dem Nervensystem zu tun hat.
03:52
So if we zoomZoomen in to an even deeperTiefer levelEbene,
90
217000
3000
Wenn wir diesen Bereich noch näher betrachten,
03:55
all of those proteinsProteine
91
220000
2000
sind alle diese Proteine
03:57
are encodedcodiert by our genomesGenome.
92
222000
2000
durch unsere Genome kodiert.
03:59
We eachjede einzelne have 23 pairsPaare of chromosomesChromosomen.
93
224000
3000
Jeder von uns hat 23 Chromosomenpaare.
04:02
We get one from momMama, one from dadPapa.
94
227000
2000
Eins bekommen wir von der Mutter, eins vom Vater.
04:04
And on these chromosomesChromosomen
95
229000
2000
Und auf diesen Chromosomen
04:06
are roughlygrob 25,000 genesGene.
96
231000
2000
haben wir schätzungsweise 25.000 Gene.
04:08
They're encodedcodiert in the DNADNA.
97
233000
2000
Sie verschlüsseln die DNA.
04:10
And the natureNatur of a givengegeben cellZelle
98
235000
3000
Und das Wesen einer bestimmten Zelle,
04:13
drivingFahren its underlyingzugrunde liegenden biochemistryBiochemie
99
238000
2000
seine zu Grunde liegende Biochemie anzutreiben,
04:15
is dictateddiktiert by whichwelche of these 25,000 genesGene
100
240000
3000
ist dadurch bestimmt, welche der 25.000 Gene
04:18
are turnedgedreht on
101
243000
2000
eingeschaltet sind
04:20
and at what levelEbene they're turnedgedreht on.
102
245000
2000
und zu welchem Schwellenwert sie eingeschaltet sind.
04:22
And so our projectProjekt
103
247000
2000
Unsere Aufgabe ist es also
04:24
is seekingSuche to look at this readoutAuslesen,
104
249000
3000
diese Anzeige zu betrachten,
04:27
understandingVerstehen whichwelche of these 25,000 genesGene is turnedgedreht on.
105
252000
3000
um zu verstehen, welches dieser 25.000 Gene arbeitet.
04:30
So in orderAuftrag to undertakeverpflichten sich sucheine solche a projectProjekt,
106
255000
3000
Um so eine Aufgabe durchzuführen,
04:33
we obviouslyoffensichtlich need brainsGehirne.
107
258000
3000
brauchen wir selbstverständlich Gehirne.
04:36
So we sentgesendet our labLabor technicianTechniker out.
108
261000
3000
Darum haben wir unseren Laborassistenten losgeschickt.
04:39
We were seekingSuche normalnormal humanMensch brainsGehirne.
109
264000
2000
Wir haben normale menschliche Gehirne gesucht.
04:41
What we actuallytatsächlich startAnfang with
110
266000
2000
Womit wir tatsächlich anfangen
04:43
is a medicalmedizinisch examiner'sdes Prüfers officeBüro.
111
268000
2000
ist die Gerichtsmedizin / Pathologie.
04:45
This a placeOrt where the deadtot are broughtgebracht in.
112
270000
2000
Hier werden Verstorbene hingebracht.
04:47
We are seekingSuche normalnormal humanMensch brainsGehirne.
113
272000
2000
Wir suchen normale menschliche Gehirne.
04:49
There's a lot of criteriaKriterien by whichwelche we're selectingAuswahl these brainsGehirne.
114
274000
3000
Wir suchen die Gehirne nach vielen Kriterien aus.
04:52
We want to make sure
115
277000
2000
Wir möchten sicherstellen,
04:54
that we have normalnormal humansMenschen betweenzwischen the agesAlter of 20 to 60,
116
279000
3000
dass wir normale Gehirne von 20- bis 60-Jährigen haben,
04:57
they diedist verstorben a somewhatetwas naturalnatürlich deathTod
117
282000
2000
die eines natürlichen Todes gestorben sind,
04:59
with no injuryVerletzung to the brainGehirn,
118
284000
2000
ohne Gehirnverletzungen.
05:01
no historyGeschichte of psychiatricpsychiatrische diseaseKrankheit,
119
286000
2000
ohne psychiatrischen Hintergrund,
05:03
no drugsDrogen on boardTafel --
120
288000
2000
ohne Drogen –
05:05
we do a toxicologyToxikologie workupAufarbeitung.
121
290000
2000
wir machen eine toxikologische Untersuchung,
05:07
And we're very carefulvorsichtig
122
292000
2000
und überlegen gründlich,
05:09
about the brainsGehirne that we do take.
123
294000
2000
welche Gehirne wir nehmen.
05:11
We're alsoebenfalls selectingAuswahl for brainsGehirne
124
296000
2000
Wir achten auch darauf,
05:13
in whichwelche we can get the tissueGewebe,
125
298000
2000
dass wir die Erlaubnis zur
05:15
we can get consentZustimmung to take the tissueGewebe
126
300000
2000
Gewebeentnahme innerhalb eines
05:17
withininnerhalb 24 hoursStd. of time of deathTod.
127
302000
2000
Tages nach Todeseintritt erhalten.
05:19
Because what we're tryingversuchen to measuremessen, the RNARNA --
128
304000
3000
Denn was wir messen wollen, die RNA –
05:22
whichwelche is the readoutAuslesen from our genesGene --
129
307000
2000
welches die Ausgabe unserer Gene ist --
05:24
is very labilelabil,
130
309000
2000
ist sehr unstabil,
05:26
and so we have to moveBewegung very quicklyschnell.
131
311000
2000
und daher müssen wir es schnell angehen.
05:28
One sideSeite noteHinweis on the collectionSammlung of brainsGehirne:
132
313000
3000
Eine Anmerkung bezüglich des Beschaffens der Gehirne:
05:31
because of the way that we collectsammeln,
133
316000
2000
aufgrund der Art und Weise wie wir sie beschaffen
05:33
and because we requireerfordern consentZustimmung,
134
318000
2000
und weil wir um Zustimmung bitten,
05:35
we actuallytatsächlich have a lot more malemännlich brainsGehirne than femaleweiblich brainsGehirne.
135
320000
3000
haben wir tatsächlich mehr Gehirne von Männern als von Frauen.
05:38
MalesMänner are much more likelywahrscheinlich to diesterben an accidentalversehentliche deathTod in the primeprim of theirihr life.
136
323000
3000
Bei Männer ist der Unfalltot mitten im Leben viel wahrscheinlicher,
05:41
And menMänner are much more likelywahrscheinlich
137
326000
2000
und bei Männern bekommt man
05:43
to have theirihr significantsignifikant other, spouseEhepartner, give consentZustimmung
138
328000
3000
vom Lebenspartner auch eher die Zustimmung,
05:46
than the other way around.
139
331000
2000
als anders herum.
05:48
(LaughterLachen)
140
333000
4000
(Gelächter)
05:52
So the first thing that we do at the siteStandort of collectionSammlung
141
337000
2000
Das Erste was wir mit der Sammlung machen
05:54
is we collectsammeln what's callednamens an MRHERR.
142
339000
2000
wir lassen ein MR vornehmen –
05:56
This is magneticmagnetisch resonanceResonanz imagingImaging -- MRIMRI.
143
341000
2000
eine Kernspintomografie.
05:58
It's a standardStandard templateVorlage by whichwelche we're going to hangaufhängen the restsich ausruhen of this dataDaten.
144
343000
3000
Das ist die Standardarbeitsweise, mit der wir die restlichen Daten einreihen.
06:01
So we collectsammeln this MRHERR.
145
346000
2000
Also veranlassen wir ein MR.
06:03
And you can think of this as our satelliteSatellit viewAussicht for our mapKarte.
146
348000
2000
Sie können sich das als Satellitenbild für unsere Karte vorstellen.
06:05
The nextNächster thing we do
147
350000
2000
Als nächstes veranlassen
06:07
is we collectsammeln what's callednamens a diffusionDiffusion tensorTensor imagingImaging.
148
352000
3000
wir eine sogenannte Diffusionstensor-Bildgebung.
06:10
This mapsKarten the largegroß cablingVerkabelung in the brainGehirn.
149
355000
2000
Dies kartografiert die großen Hauptverknüpfungen im Gehirn.
06:12
And again, you can think of this
150
357000
2000
Und noch einmal, Sie können sich das
06:14
as almostfast mappingKartierung our interstateInterstate highwaysAutobahnen, if you will.
151
359000
2000
beinah wie das Kartografieren unserer Autobahnen vorstellen, wenn sie wollen.
06:16
The brainGehirn is removedentfernt from the skullSchädel,
152
361000
2000
Das Gehirn ist aus dem Schädel entfernt
06:18
and then it's slicedgeschnitten into one-centimeterein Zentimeter slicesScheiben.
153
363000
3000
und in 1 cm dicke Scheiben geschnitten.
06:21
And those are frozengefroren solidsolide,
154
366000
2000
Diese werden hart gefroren
06:23
and they're shippedVersand to SeattleSeattle.
155
368000
2000
und nach Seattle verschickt.
06:25
And in SeattleSeattle, we take these --
156
370000
2000
In Seattle nehmen wir sie –
06:27
this is a wholeganze humanMensch hemisphereHemisphäre --
157
372000
2000
das ist eine ganze menschliche Gehirnhälfte –
06:29
and we put them into what's basicallyGrundsätzlich gilt a glorifiedverherrlicht meatFleisch slicerSchneidemaschine.
158
374000
2000
und legen sie hier rein – nur eine bessere Aufschnittmaschine.
06:31
There's a bladeKlinge here that's going to cutschneiden acrossüber
159
376000
2000
Die Klinge hier schneidet ein waagerechtes
06:33
a sectionAbschnitt of the tissueGewebe
160
378000
2000
Stück aus dem Gewebe
06:35
and transferÜbertragung it to a microscopeMikroskop slidegleiten.
161
380000
2000
und legt es auf den Objektträger des Mikroskops.
06:37
We're going to then applysich bewerben one of those stainsFlecken to it,
162
382000
2000
Dann werden wir etwas Farbstoff aufbringen
06:39
and we scanScan it.
163
384000
2000
und es scannen.
06:41
And then what we get is our first mappingKartierung.
164
386000
3000
So erhalten wir unsere erste Kartierung.
06:44
So this is where expertsExperten come in
165
389000
2000
Jetzt kommen Experten ins Spiel
06:46
and they make basicBasic anatomicanatomische assignmentsZuordnungen.
166
391000
2000
und machen grundlegende anatomische Zuordnungen.
06:48
You could considerErwägen this stateBundesland boundariesGrenzen, if you will,
167
393000
3000
Wenn Sie wollen, können sie diese ziemlich breiten
06:51
those prettyziemlich broadbreit outlinesUmrisse.
168
396000
2000
Umrisse als Staatsgrenzen betrachten.
06:53
From this, we're ablefähig to then fragmentFragment that brainGehirn into furtherdes Weiteren piecesStücke,
169
398000
4000
Danach können wir das Gehirn in weitere Teile zerlegen,
06:57
whichwelche then we can put on a smallerkleiner cryostatKryostat.
170
402000
2000
die wir dann in einen kleineren Tiefkühler legen können.
06:59
And this is just showingzeigt this here --
171
404000
2000
Und das ist gerade hier zu sehen –
07:01
this frozengefroren tissueGewebe, and it's beingSein cutschneiden.
172
406000
2000
gefrorenes Gewebe und es wird geschnitten.
07:03
This is 20 micronsMikron thindünn, so this is about a babyBaby hair'sdes Haares widthBreite.
173
408000
3000
Es ist 20 Mikrometer dünn, etwa die Breite eines Babyhaars.
07:06
And remembermerken, it's frozengefroren.
174
411000
2000
Und vergessen Sie nicht, es ist gefroren.
07:08
And so you can see here,
175
413000
2000
Und hier sehen Sie die
07:10
old-fashionedOld-fashioned technologyTechnologie of the paintbrushPinsel beingSein appliedangewendet.
176
415000
2000
Verwendung eines altmodischen Pinsels.
07:12
We take a microscopeMikroskop slidegleiten.
177
417000
2000
Wir nehmen einen Objektträger,
07:14
Then we very carefullyvorsichtig meltSchmelze ontoauf zu the slidegleiten.
178
419000
3000
und schmelzen es behutsam auf darauf.
07:17
This will then go ontoauf zu a robotRoboter
179
422000
2000
Der Objektträger kommt auf einen
07:19
that's going to applysich bewerben one of those stainsFlecken to it.
180
424000
3000
Roboter, der einen der Farbstoffe aufbringt.
07:26
And our anatomistsAnatomen are going to go in and take a deeperTiefer look at this.
181
431000
3000
Dann sehen unsere Anatomen es sich genauer an.
07:29
So again this is what they can see underunter the microscopeMikroskop.
182
434000
2000
Das ist also, was sie unter dem Mikroskop sehen können.
07:31
You can see collectionsSammlungen and configurationsKonfigurationen
183
436000
2000
Man kann Ansammlungen und Anordnungen
07:33
of largegroß and smallklein cellsZellen
184
438000
2000
von großen und kleinen Zellen
07:35
in clustersCluster and variousverschiedene placessetzt.
185
440000
2000
in Anhäufungen oder an verschiedenen Stellen sehen.
07:37
And from there it's routineRoutine. They understandverstehen where to make these assignmentsZuordnungen.
186
442000
2000
Danach kommt Routine. Sie wissen, wo diese Zuordnungen zu machen sind.
07:39
And they can make basicallyGrundsätzlich gilt what's a referenceReferenz atlasAtlas.
187
444000
3000
Und sie können im Grunde einen Referenzatlas machen.
07:42
This is a more detailedAusführliche mapKarte.
188
447000
2000
Das ist eine detailliertere Karte.
07:44
Our scientistsWissenschaftler then use this
189
449000
2000
Unsere Wissenschaftler benutzen sie dann,
07:46
to go back to anotherein anderer pieceStück of that tissueGewebe
190
451000
3000
um an einem anderen Stück des Gewebes
07:49
and do what's callednamens laserLaser- scanningScannen microdissectionMikrodissektion.
191
454000
2000
eine sogenannte Laser-Mikrodissektion zu machen.
07:51
So the technicianTechniker takes the instructionsAnleitung.
192
456000
3000
Der Techniker erhält also die Anweisungen.
07:54
They scribeSchreiber alongeine lange a placeOrt there.
193
459000
2000
Sie zeichnen es der Länge nach an.
07:56
And then the laserLaser- actuallytatsächlich cutsSchnitte.
194
461000
2000
Und dann schneidet der Laser.
07:58
You can see that blueblau dotPunkt there cuttingSchneiden. And that tissueGewebe fallsStürze off.
195
463000
3000
Sie können den blauen Punkt dort schneiden sehen. Und dann fällt das Gewebe herunter.
08:01
You can see on the microscopeMikroskop slidegleiten here,
196
466000
2000
Sie können hier auf dem Objektträger sehen,
08:03
that's what's happeningHappening in realecht time.
197
468000
2000
das dies in Echtzeit passiert.
08:05
There's a containerContainer underneathunterhalb that's collectingSammeln that tissueGewebe.
198
470000
3000
Unterhalb ist ein Behälter, der das Gewebe auffängt.
08:08
We take that tissueGewebe,
199
473000
2000
Wir nehmen das Gewebe,
08:10
we purifyreinigen the RNARNA out of it
200
475000
2000
wir entnehmen die RNA
08:12
usingmit some basicBasic technologyTechnologie,
201
477000
2000
mittels bewährter Technologie
08:14
and then we put a florescentfluoreszierende tagTag on it.
202
479000
2000
und geben etwas Effloreszenz drauf.
08:16
We take that taggedVerschlagwortet mit materialMaterial
203
481000
2000
Wir nehmen das markierte Material
08:18
and we put it on to something callednamens a microarrayMicroarray.
204
483000
3000
und legen es auf einen sogenannten Genchip.
08:21
Now this maykann look like a bunchBündel of dotsPunkte to you,
205
486000
2000
Das muss für sie jetzt wie ein Bündel von Punkten aussehen,
08:23
but eachjede einzelne one of these individualPerson dotsPunkte
206
488000
2000
aber jeder dieser einzelnen Punkte ist
08:25
is actuallytatsächlich a uniqueeinzigartig pieceStück of the humanMensch genomeGenom
207
490000
2000
tatsächlich ein einzigartiges Stück menschlichen Genoms,
08:27
that we spottedgesichtet down on glassGlas.
208
492000
2000
das wir auf Glas tupften.
08:29
This has roughlygrob 60,000 elementsElemente on it,
209
494000
3000
Es hat ungefähr 60,000 Elemente darauf,
08:32
so we repeatedlywiederholt measuremessen variousverschiedene genesGene
210
497000
3000
so dass wir verschieden der 25.000 Gene
08:35
of the 25,000 genesGene in the genomeGenom.
211
500000
2000
im Genom mehrfach messen.
08:37
And when we take a sampleSample and we hybridizehybridisieren it to it,
212
502000
3000
Und wenn wir eine Probe nehmen und es dazu kreuzen,
08:40
we get a uniqueeinzigartig fingerprintFingerabdruck, if you will,
213
505000
2000
bekommen wir so etwas wie einen einzigartigen Fingerabdruck,
08:42
quantitativelyquantitativ of what genesGene are turnedgedreht on in that sampleSample.
214
507000
3000
quantitativ der Gene die in dieser Probe eingeschaltet werden.
08:45
Now we do this over and over again,
215
510000
2000
Dann wiederholen wir den Vorgang
08:47
this processverarbeiten for any givengegeben brainGehirn.
216
512000
3000
mit jedem einzelnen Gehirn.
08:50
We're takingunter over a thousandtausend samplesProben for eachjede einzelne brainGehirn.
217
515000
3000
Wir nehmen über 1,000 Proben von jedem Gehirn.
08:53
This areaBereich showngezeigt here is an areaBereich callednamens the hippocampusHippocampus.
218
518000
3000
Dieses Gebiet hier ist der sogenannte Hippocampus.
08:56
It's involvedbeteiligt in learningLernen and memoryErinnerung.
219
521000
2000
Er ist für das Lernen und das Gedächtnis zuständig.
08:58
And it contributesträgt bei to about 70 samplesProben
220
523000
3000
Und er trägt ungefähr 70 Proben
09:01
of those thousandtausend samplesProben.
221
526000
2000
zu den 1,000 Proben bei.
09:03
So eachjede einzelne sampleSample getsbekommt us about 50,000 dataDaten pointsPunkte
222
528000
4000
Jede Probe bringt uns ungefähr 50,000 Datenpunkte
09:07
with repeatwiederholen measurementsMessungen, a thousandtausend samplesProben.
223
532000
3000
mit wiederholten Messungen, beinahe 1,000 Proben.
09:10
So roughlygrob, we have 50 millionMillion dataDaten pointsPunkte
224
535000
2000
Wir haben schätzungsweise 50 Millionen Datenpunkte
09:12
for a givengegeben humanMensch brainGehirn.
225
537000
2000
für jedes einzelne Gehirn.
09:14
We'veWir haben doneerledigt right now
226
539000
2000
Bislang entspricht die
09:16
two humanMensch brains-worthGehirn-Wert of dataDaten.
227
541000
2000
Datenmenge zwei menschlichen Gehirnen.
09:18
We'veWir haben put all of that togetherzusammen
228
543000
2000
Wir haben das alles in eins
09:20
into one thing,
229
545000
2000
zusammengepackt,
09:22
and I'll showShow you what that synthesisSynthese lookssieht aus like.
230
547000
2000
und ich werde ihnen zeigen, wie die Synthese aussieht.
09:24
It's basicallyGrundsätzlich gilt a largegroß dataDaten setSet of informationInformation
231
549000
3000
Im Grunde ist es ein großer Datensatz an Informationen,
09:27
that's all freelyfrei availableverfügbar to any scientistWissenschaftler around the worldWelt.
232
552000
3000
welcher für alle Wissenschaftler dieser Welt zugänglich ist.
09:30
They don't even have to logLog in to come use this toolWerkzeug,
233
555000
3000
Sie müssen sich nicht einmal einloggen, um dieses Werkzeug zu benutzen,
09:33
mineBergwerk this dataDaten, find interestinginteressant things out with this.
234
558000
4000
die Daten zu analysier und interessante Dinge herauszufinden.
09:37
So here'shier ist the modalitiesModalitäten that we put togetherzusammen.
235
562000
3000
Hier sind die Modalitäten, die wir zusammengestellt haben.
09:40
You'llDu wirst startAnfang to recognizeerkenne these things from what we'vewir haben collectedgesammelt before.
236
565000
3000
Sie werden sie, von dem was wir vorher zusammengetragen haben, wiedererkennen.
09:43
Here'sHier ist the MRHERR. It providesbietet the frameworkRahmen.
237
568000
2000
Hier ist das MR. Es stellt das Grundgerüst dar.
09:45
There's an operatorOperator sideSeite on the right that allowserlaubt you to turnWende,
238
570000
3000
Da ist ein Leitelement auf der rechten Seite, welches ihnen erlaubt, sich zu drehen,
09:48
it allowserlaubt you to zoomZoomen in,
239
573000
2000
es erlaubt ihnen, sich auf etwas zu konzentrieren,
09:50
it allowserlaubt you to highlightMarkieren Sie individualPerson structuresStrukturen.
240
575000
3000
es erlaubt ihnen, individuelle Strukturen hervorzuheben.
09:53
But mostdie meisten importantlywichtig,
241
578000
2000
Allen voran kartieren
09:55
we're now mappingKartierung into this anatomicanatomische frameworkRahmen,
242
580000
3000
wir jetzt diese anatomische Struktur, die als allgemeines
09:58
whichwelche is a commonverbreitet frameworkRahmen for people to understandverstehen where genesGene are turnedgedreht on.
243
583000
3000
System Menschen erlaubt zu verstehen, welche Gene eingeschaltet sind.
10:01
So the redrot levelsEbenen
244
586000
2000
Die roten Ebenen zeigen,
10:03
are where a geneGen is turnedgedreht on to a great degreeGrad.
245
588000
2000
wo Gene in hohem Maße stimuliert sind.
10:05
GreenGrün is the sortSortieren of coolcool areasBereiche where it's not turnedgedreht on.
246
590000
3000
Grün gehört zu den kühleren Bereichen, wo sie nicht stimuliert sind.
10:08
And eachjede einzelne geneGen givesgibt us a fingerprintFingerabdruck.
247
593000
2000
Und jedes Gen gibt uns einen Fingerabdruck.
10:10
And remembermerken that we'vewir haben assayeduntersucht all the 25,000 genesGene in the genomeGenom
248
595000
5000
Und erinnern sie sich daran, dass wir alle 25,000 Gene des Genoms untersucht haben
10:15
and have all of that dataDaten availableverfügbar.
249
600000
4000
und alle Daten verfügbar sind.
10:19
So what can scientistsWissenschaftler learnlernen about this dataDaten?
250
604000
2000
Was können Wissenschaftler also aus diesen Daten lernen?
10:21
We're just startingbeginnend to look at this dataDaten ourselvesuns selbst.
251
606000
3000
Wir fangen gerade erst an, die Daten anzusehen.
10:24
There's some basicBasic things that you would want to understandverstehen.
252
609000
3000
Es gibt grundlegende Dinge, die man verstehen will.
10:27
Two great examplesBeispiele are drugsDrogen,
253
612000
2000
Zwei wichtige Beispiele sind Medikamente,
10:29
ProzacProzac and WellbutrinWellbutrin.
254
614000
2000
Prozac und Wellbutrin.
10:31
These are commonlyhäufig prescribedvorgeschriebenen antidepressantsAntidepressiva.
255
616000
3000
Dies sind üblicherweise verschriebene Antidepressiva.
10:34
Now remembermerken, we're assayingprüfen genesGene.
256
619000
2000
Jetzt erinnern Sie sich, wir untersuchen Gene.
10:36
GenesGene sendsenden the instructionsAnleitung to make proteinsProteine.
257
621000
3000
Gene senden Instruktionen, Proteine zu bilden.
10:39
ProteinsProteine are targetsZiele for drugsDrogen.
258
624000
2000
Proteine sind Ziele für Medikamente.
10:41
So drugsDrogen bindbinden to proteinsProteine
259
626000
2000
Medikamente binden sich an Proteine
10:43
and eitherentweder turnWende them off, etcetc.
260
628000
2000
und schalten sie ab, etc.
10:45
So if you want to understandverstehen the actionAktion of drugsDrogen,
261
630000
2000
Wenn man also die Wirkung von Medikamenten verstehen will,
10:47
you want to understandverstehen how they're actingSchauspielkunst in the waysWege you want them to,
262
632000
3000
will man verstehen, warum sie auf gewünschte Weise agieren,
10:50
and alsoebenfalls in the waysWege you don't want them to.
263
635000
2000
aber auch auf unerwünschte.
10:52
In the sideSeite effectbewirken profileProfil, etcetc.,
264
637000
2000
In dem Nebenwirkungsprofil etc.,
10:54
you want to see where those genesGene are turnedgedreht on.
265
639000
2000
möchten man sehen, wo solche Gene eingschaltet werden.
10:56
And for the first time, we can actuallytatsächlich do that.
266
641000
2000
Und zum ersten Mal können wir genau das tun.
10:58
We can do that in multiplemehrere individualsIndividuen that we'vewir haben assayeduntersucht too.
267
643000
3000
Wir können dieses bei mehreren Personen machen, die wir auch untersucht haben.
11:01
So now we can look throughoutwährend the brainGehirn.
268
646000
3000
Wir können jetzt ganz und gar das Gehirn ansehen.
11:04
We can see this uniqueeinzigartig fingerprintFingerabdruck.
269
649000
2000
Wir können diesen einzigartigen Fingerabdruck sehen.
11:06
And we get confirmationBestätigung.
270
651000
2000
Und wir bekommen Bestätigung.
11:08
We get confirmationBestätigung that, indeedtatsächlich, the geneGen is turnedgedreht on --
271
653000
3000
Wir bekommen Bestätigung, dass das Gen tatsächlich eingeschaltet ist –
11:11
for something like ProzacProzac,
272
656000
2000
für etwas wie Prozac,
11:13
in serotonergicserotonergen structuresStrukturen, things that are alreadybereits knownbekannt be affectedbetroffen --
273
658000
3000
in serotonergen Strukturen werden bekannte Dinge beeinflußt –
11:16
but we alsoebenfalls get to see the wholeganze thing.
274
661000
2000
aber wir bekommen auch das Ganze zu sehen.
11:18
We alsoebenfalls get to see areasBereiche that no one has ever lookedsah at before,
275
663000
2000
Wir bekommen Bereiche zu sehen, die zuvor noch niemand gesehen hat
11:20
and we see these genesGene turnedgedreht on there.
276
665000
2000
und wir sehen hier diese stimulierten Gene.
11:22
It's as interestinginteressant a sideSeite effectbewirken as it could be.
277
667000
3000
Es ist so interessant wie eine Nebenwirkung nur sein kann.
11:25
One other thing you can do with sucheine solche a thing
278
670000
2000
Eine andere Sache, die man damit machen kann ist,
11:27
is you can, because it's a patternMuster matchingpassende exerciseÜbung,
279
672000
3000
weil es um Mustererkennung geht,
11:30
because there's uniqueeinzigartig fingerprintFingerabdruck,
280
675000
2000
weil es einen einzigartigen Fingerabdruck gibt,
11:32
we can actuallytatsächlich scanScan throughdurch the entireganz genomeGenom
281
677000
2000
können wir tatsächlich das ganze Genom untersuchen
11:34
and find other proteinsProteine
282
679000
2000
und andere Proteine mit
11:36
that showShow a similarähnlich fingerprintFingerabdruck.
283
681000
2000
ähnlichem Fingerabdruck finden.
11:38
So if you're in drugDroge discoveryEntdeckung, for exampleBeispiel,
284
683000
3000
Wenn Sie also z.B. in der Pharmaforschung tätig sind,
11:41
you can go throughdurch
285
686000
2000
können sie durch eine ganze Liste von
11:43
an entireganz listingInserat of what the genomeGenom has on offerAngebot
286
688000
2000
Angeboten gehen, die ein Genom zu bieten hat,
11:45
to find perhapsvielleicht better drugDroge targetsZiele and optimizeoptimieren.
287
690000
4000
um vielleicht bessere Wirkungsorte zu finden und zu optimieren.
11:49
MostDie meisten of you are probablywahrscheinlich familiarfamiliär
288
694000
2000
Viele von ihnen kennen sich sicherlich
11:51
with genome-widegenomweite associationVerband studiesStudien
289
696000
2000
mit Gesamt-Genom-Assoziationsstudien aus,
11:53
in the formbilden of people coveringVerkleidung in the newsNachrichten
290
698000
3000
wenn die Nachrichten davon berichten,
11:56
sayingSprichwort, "ScientistsWissenschaftler have recentlyvor kurzem discoveredentdeckt the geneGen or genesGene
291
701000
3000
dass 'Wissenschaftler kürzlich das Gen oder die Gene mit der
11:59
whichwelche affectbeeinflussen X."
292
704000
2000
Wirkung auf X entdeckt haben'.
12:01
And so these kindsArten of studiesStudien
293
706000
2000
Und diese Art von Studien
12:03
are routinelyroutinemäßig publishedveröffentlicht by scientistsWissenschaftler
294
708000
2000
werden laufend von Wissenschaftlern veröffentlicht
12:05
and they're great. They analyzeanalysieren largegroß populationsPopulationen.
295
710000
2000
und sie sind großartig. Sie analysieren große Populationen.
12:07
They look at theirihr entireganz genomesGenome,
296
712000
2000
Sie betrachten ihre gesamten Genome
12:09
and they try to find hotheiß spotsFlecken of activityAktivität
297
714000
2000
und sie versuchen Aktivitätsherde zu finden,
12:11
that are linkedverknüpft causallyUrsächlich to genesGene.
298
716000
3000
die ursächlich mit den Genen verknüpft sind.
12:14
But what you get out of sucheine solche an exerciseÜbung
299
719000
2000
Aber was sie aus solch einer Anwendung herausbekommen,
12:16
is simplyeinfach a listListe of genesGene.
300
721000
2000
ist einfach eine Liste von Genen.
12:18
It tellserzählt you the what, but it doesn't tell you the where.
301
723000
3000
Die zeigt dir das Was, aber nicht das Wo.
12:21
And so it's very importantwichtig for those researchersForscher
302
726000
3000
Und so ist es für diese Forscher sehr wichtig,
12:24
that we'vewir haben createderstellt this resourceRessource.
303
729000
2000
das wir diese Quelle erschaffen haben.
12:26
Now they can come in
304
731000
2000
Jetzt können sie hereinkommen
12:28
and they can startAnfang to get cluesHinweise about activityAktivität.
305
733000
2000
und anfangen, Hinweise bezüglich der Aktivität zu bekommen.
12:30
They can startAnfang to look at commonverbreitet pathwaysWege --
306
735000
2000
Sie können anfangen, sich allgemeine Pfade anzusehen --
12:32
other things that they simplyeinfach haven'thabe nicht been ablefähig to do before.
307
737000
3000
andere Dinge, zu denen sie vorher nicht imstande waren.
12:36
So I think this audiencePublikum in particularinsbesondere
308
741000
3000
So denke ich, dass besonders dieses Publikum
12:39
can understandverstehen the importanceBedeutung of individualityIndividualität.
309
744000
3000
die Wichtigkeit der Individualität verstehen kann.
12:42
And I think everyjeden humanMensch,
310
747000
2000
Und ich denke, jeder Mensch,
12:44
we all have differentanders geneticgenetisch backgroundsHintergründe,
311
749000
4000
wir alle haben verschiedene genetische Hintergründe,
12:48
we all have livedlebte separategetrennte livesLeben.
312
753000
2000
wir alle haben eigenständige Leben gelebt.
12:50
But the factTatsache is
313
755000
2000
Aber Tatsache ist,
12:52
our genomesGenome are greatergrößer than 99 percentProzent similarähnlich.
314
757000
3000
die Ähnlichkeit unserer Genome ist größer als 99 %.
12:55
We're similarähnlich at the geneticgenetisch levelEbene.
315
760000
3000
Wir sind auf genetischen Niveau gleich.
12:58
And what we're findingErgebnis
316
763000
2000
Und tatsächlich stellen wir fest,
13:00
is actuallytatsächlich, even at the brainGehirn biochemicalbiochemisch levelEbene,
317
765000
2000
sogar auf der biochemischen Ebene des Gehirns
13:02
we are quiteganz similarähnlich.
318
767000
2000
sind wir ziemlich gleich.
13:04
And so this showszeigt an it's not 99 percentProzent,
319
769000
2000
Und das zeigt uns, dass nicht 99 Prozent,
13:06
but it's roughlygrob 90 percentProzent correspondenceKorrespondenz
320
771000
2000
aber annähernd 99 Prozent
13:08
at a reasonablevernünftig cutoffCut-off,
321
773000
3000
in guter Näherung, so dass
13:11
so everything in the cloudWolke is roughlygrob correlatedkorreliert.
322
776000
2000
alles in der [Daten-]Wolke grob korreliert.
13:13
And then we find some outliersAusreißer,
323
778000
2000
Und wir finden einige Sonderfälle,
13:15
some things that lieLüge beyonddarüber hinaus the cloudWolke.
324
780000
3000
einige Dinge, die außerhalb der Wolke liegen.
13:18
And those genesGene are interestinginteressant,
325
783000
2000
Und diese Gene sind interessant
13:20
but they're very subtlesubtil.
326
785000
2000
aber sie sind sehr fein.
13:22
So I think it's an importantwichtig messageNachricht
327
787000
3000
Daher denke ich, die wichtige Botschaft,
13:25
to take home todayheute
328
790000
2000
die sie heute mitnehmen sollen ist,
13:27
that even thoughobwohl we celebratefeiern all of our differencesUnterschiede,
329
792000
3000
auch wenn wir all unsere Unterschiede ausleben,
13:30
we are quiteganz similarähnlich
330
795000
2000
sind wir ziemlich ähnlich,
13:32
even at the brainGehirn levelEbene.
331
797000
2000
auch auf der Gehirnebene.
13:34
Now what do those differencesUnterschiede look like?
332
799000
2000
Nun, wie sehen diese Unterschiede aus?
13:36
This is an exampleBeispiel of a studyStudie that we did
333
801000
2000
Dies ist ein Beispiel einer Studie, die wir machten,
13:38
to followFolgen up and see what exactlygenau those differencesUnterschiede were --
334
803000
2000
um zu verfolgen und zu sehen, was genau diese Unterschiede sind –
13:40
and they're quiteganz subtlesubtil.
335
805000
2000
und sie sind recht fein.
13:42
These are things where genesGene are turnedgedreht on in an individualPerson cellZelle typeArt.
336
807000
4000
Dabei werden Gene in einem individuellen Zelltyp aktiviert.
13:46
These are two genesGene that we foundgefunden as good examplesBeispiele.
337
811000
3000
Dieses sind zwei Gene, die wir als gutes Beispiel gefunden haben.
13:49
One is callednamens RELNRELN -- it's involvedbeteiligt in earlyfrüh developmentalEntwicklungsbiologie cuesHinweise.
338
814000
3000
Eins heißt RELN – es ist an frühen Entwicklungsmerkmalen beteiligt.
13:52
DISCSCHEIBE1 is a geneGen
339
817000
2000
DISC1 ist ein Gen,
13:54
that's deletedgelöscht in schizophreniaSchizophrenie.
340
819000
2000
welches bei Schizophrenie gelöscht wird.
13:56
These aren'tsind nicht schizophrenicSchizophrene individualsIndividuen,
341
821000
2000
Dies sind keine schizophrenen Personen
13:58
but they do showShow some populationBevölkerung variationVariation.
342
823000
3000
aber sie zeigen Abweichungen von der Grundgesamtheit.
14:01
And so what you're looking at here
343
826000
2000
Hier sehen sie nun bei Spender
14:03
in donorSpender one and donorSpender fourvier,
344
828000
2000
Eins und Spender Fünf,
14:05
whichwelche are the exceptionsAusnahmen to the other two,
345
830000
2000
die Ausnahmen zu den zwei anderen sind,
14:07
that genesGene are beingSein turnedgedreht on
346
832000
2000
das Gene in einer sehr spezifischen
14:09
in a very specificspezifisch subsetTeilmenge of cellsZellen.
347
834000
2000
Teilmenge der Zellen aktiviert sind.
14:11
It's this darkdunkel purplelila precipitatePräzipitat withininnerhalb the cellZelle
348
836000
3000
Es ist diese dunkelviolette Ablagerung in den Zellen,
14:14
that's tellingErzählen us a geneGen is turnedgedreht on there.
349
839000
3000
die uns sagt, dass ein Gen hier aktiviert ist.
14:17
WhetherOb or not that's duefällig
350
842000
2000
Ob das vom individuellen
14:19
to an individual'sdes einzelnen geneticgenetisch backgroundHintergrund or theirihr experiencesErfahrungen,
351
844000
2000
genetischen Hintergrund oder ihren Erfahrungen abhängt,
14:21
we don't know.
352
846000
2000
wissen wir nicht.
14:23
Those kindsArten of studiesStudien requireerfordern much largergrößer populationsPopulationen.
353
848000
3000
Diese Art von Studien verlangen eine viel größere Population.
14:28
So I'm going to leaveverlassen you with a finalFinale noteHinweis
354
853000
2000
Ich verlasse Sie nun mit einer letzten Anmerkung
14:30
about the complexityKomplexität of the brainGehirn
355
855000
3000
zur Komplexität des Gehirns, und dazu
14:33
and how much more we have to go.
356
858000
2000
wie weit wir noch gehen müssen.
14:35
I think these resourcesRessourcen are incrediblyunglaublich valuablewertvoll.
357
860000
2000
Ich halte diese Mittel für unglaublich wertvoll.
14:37
They give researchersForscher a handleGriff
358
862000
2000
Sie geben Wissenschaftlern Richtung
14:39
on where to go.
359
864000
2000
für weitere Arbeiten.
14:41
But we only lookedsah at a handfulHandvoll of individualsIndividuen at this pointPunkt.
360
866000
3000
Aber an diesem Punkt haben wir nur auf eine handvoll Personen betrachtet.
14:44
We're certainlybestimmt going to be looking at more.
361
869000
2000
Wir werden aber mit Sicherheit mehr betrachten.
14:46
I'll just closeschließen by sayingSprichwort
362
871000
2000
Lassen sie mich abschließend sagen,
14:48
that the toolsWerkzeuge are there,
363
873000
2000
dass die Werkzeuge vorhanden sind
14:50
and this is trulywirklich an unexploredunerforschte, undiscoveredunentdeckte continentKontinent.
364
875000
4000
und das dies ein wirklich unerforschter, unentdeckter Kontinent ist.
14:54
This is the newneu frontierFrontier, if you will.
365
879000
4000
Das ist neues Grenzland, wenn sie so wollen.
14:58
And so for those who are undauntedunerschrocken,
366
883000
2000
Und für diejenigen, die unerschrocken sind
15:00
but humbledgedemütigt by the complexityKomplexität of the brainGehirn,
367
885000
2000
aber beeindruckt von der Komplexität des Gehirns,
15:02
the futureZukunft awaitserwartet.
368
887000
2000
die Zukunft wartet.
15:04
ThanksVielen Dank.
369
889000
2000
Dankeschön.
15:06
(ApplauseApplaus)
370
891000
9000
(Beifall)
Translated by Maja Janiec
Reviewed by Lex Asobo

▲Back to top

ABOUT THE SPEAKER
Allan Jones - Brain scientist
As CEO of the Allen Institute for Brain Science, Allan Jones leads an ambitious project to build an open, online, interactive atlas of the human brain.

Why you should listen

The Allen Institute for Brain Science -- based in Seattle, kickstarted by Microsoft co-founder Paul Allen -- has a mission to fuel discoveries about the human brain by building tools the entire scientific community can use. As CEO, one of Allan Jones' first projects was to lead the drive to create a comprehensive atlas of the brain of a mouse. Flash forward to April 2011, when the Allen Institute announced the first milestone in its online interactive atlas of the human brain, showing the activity of the more than 20,000 human genes it contains. It's based on a composite of 15 brains, since every human brain is unique.

Think of the Allen Human Brain Atlas as a high-tech bridge between brain anatomy and genetics. Using this atlas, scientists will be able to determine where in the brain genes that encode specific proteins are active, including proteins that are affected by medication. Or researchers could zoom in on brain structures thought to be altered in mental disorders such as schizophrenia to find their molecular footprint. The atlas may provide clues to memory, attention, motor coordination, hunger, and perhaps emotions such as happiness or anxiety.

He says: "Understanding how our genes are used in our brains will help scientists and the medical community better understand and discover new treatments for the full spectrum of brain diseases and disorders."

Watch Dr. Jones' latest TEDx talk on the map of the brain, from TEDxCaltech 2013 >>

More profile about the speaker
Allan Jones | Speaker | TED.com