ABOUT THE SPEAKER
Carl Schoonover - Neuroscience PhD student + writer
Carl Schoonover is a neuroscientist and one of the founders of NeuWrite, a collaboration between writers and neuroscientist.

Why you should listen

Carl is a neuroscience PhD candidate at Columbia University, where he works on microanatomy and electrophysiology of rodent somatosensory cortex. He the author of Portraits of the Mind: Visualizing the Brain from Antiquity to the 21st Century, and has written for the New York Times, Le Figaro, the Huffington Post, Science, Scientific American, Design Observer, and Boing Boing. In 2008 he cofounded NeuWrite, a collaborative working group for scientists, writers, and those in between. He hosts a radio show on WkCR 89.9FM, which focuses on opera and classical music, and their relationship to the brain.

More profile about the speaker
Carl Schoonover | Speaker | TED.com
TED2012

Carl Schoonover: How to look inside the brain

Carl Schoonover: Einblicke in das Innere unseres Gehirns

Filmed:
962,022 views

Es sind bemerkenswerte Fortschritte dabei gemacht worden, das menschliche Gehirn zu verstehen, aber wie genau kann man die Neuronen im Gehirn untersuchen? Der Neurowissenschaftler Carl Schoonover zeigt in großartigen Bildern die Werkzeuge, die uns einen Blick in das Innere unseres Gehirn ermöglichen.
- Neuroscience PhD student + writer
Carl Schoonover is a neuroscientist and one of the founders of NeuWrite, a collaboration between writers and neuroscientist. Full bio

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

00:16
This is a thousand-year-oldtausend-jährige drawingZeichnung of the brainGehirn.
0
359
3996
Dies ist eine 1000 Jahre alte Zeichnung des Gehirns.
00:20
It's a diagramDiagramm of the visualvisuell systemSystem.
1
4355
1912
Sie zeigt ein Darstellung des Sehapparats.
00:22
And some things look very familiarfamiliär todayheute.
2
6267
2750
Und einige Dinge kommen uns auch heute bekannt vor.
00:24
Two eyesAugen at the bottomBoden, opticOptik nerveNerv flowingfließend out from the back.
3
9017
4367
Unten zwei Augen und der Sehnerv, der dahinter hinausläuft.
00:29
There's a very largegroß noseNase
4
13384
2120
Da ist eine sehr große Nase,
00:31
that doesn't seemscheinen to be connectedin Verbindung gebracht to anything in particularinsbesondere.
5
15504
3317
die nicht den Anschein erweckt, als wäre sie mit irgendetwas Speziellem verbunden.
00:34
And if we comparevergleichen this
6
18821
1700
Und wenn wir dies
00:36
to more recentkürzlich representationsVertretungen of the visualvisuell systemSystem,
7
20521
2074
mit einer neueren Abbildung des Sehapparats vergleichen,
00:38
you'lldu wirst see that things have gottenbekommen substantiallyim Wesentlichen more complicatedkompliziert
8
22595
2957
dann sehen Sie, dass die Dinge wesentlich komplizierter geworden sind
00:41
over the interveningintervenieren thousandtausend yearsJahre.
9
25552
1573
im Laufe der letzten eintausend Jahre.
00:43
And that's because todayheute we can see what's insideinnen of the brainGehirn,
10
27125
2965
Das liegt daran, dass wir heute sehen können, was im Gehirn ist,
00:45
ratherlieber than just looking at its overallinsgesamt shapegestalten.
11
30090
2481
anstatt nur seine äußere Form zu betrachten.
00:48
ImagineStellen Sie sich vor you wanted to understandverstehen how a computerComputer worksWerke
12
32571
3979
Stellen Sie sich vor, Sie wollen verstehen, wie ein Computer funktioniert
00:52
and all you could see was a keyboardTastatur, a mouseMaus, a screenBildschirm.
13
36550
3179
und alles, was Sie sehen können, ist eine Tastatur, eine Maus und einen Bildschirm.
00:55
You really would be kindArt of out of luckGlück.
14
39729
2396
Da hätten Sie wirklich Pech gehabt.
00:58
You want to be ablefähig to openöffnen it up, crackRiss it openöffnen,
15
42125
2042
Sie würden ihn öffnen wollen, ihn aufreißen wollen,
01:00
look at the wiringVerdrahtung insideinnen.
16
44167
1844
um sich die Verkabelung im Inneren ansehen zu können.
01:01
And up untilbis a little more than a centuryJahrhundert agovor,
17
46011
1864
Und bis vor etwas mehr als einem Jahrhundert
01:03
nobodyniemand was ablefähig to do that with the brainGehirn.
18
47875
2000
war niemand in der Lage, das mit dem Gehirn zu machen.
01:05
NobodyNiemand had had a glimpseBlick of the brain'sGehirn wiringVerdrahtung.
19
49875
1880
Niemand hatte einen Einblick in die "Verkabelung" des Gehirns gehabt.
01:07
And that's because if you take a brainGehirn out of the skullSchädel
20
51755
2952
Das liegt daran, dass, wenn Sie das Gehirn aus dem Schädel nehmen
01:10
and you cutschneiden a thindünn sliceSlice of it,
21
54707
1689
und eine dünne Scheibe davon abschneiden,
01:12
put it underunter even a very powerfulmächtig microscopeMikroskop,
22
56396
2498
diese sogar unter ein sehr starkes Mikroskop legen
01:14
there's nothing there.
23
58894
1181
– da nichts ist.
01:15
It's graygrau, formlessformlose.
24
60075
1613
Es ist grau, formlos.
01:17
There's no structureStruktur. It won'tGewohnheit tell you anything.
25
61688
2604
Da gibt es keine Struktur. Es wird Ihnen nichts verraten.
01:20
And this all changedgeändert in the latespät 19thth centuryJahrhundert.
26
64292
2854
Und all dies hat sich im späten 19. Jahrhundert geändert.
01:23
SuddenlyPlötzlich, newneu chemicalchemisch stainsFlecken for brainGehirn tissueGewebe were developedentwickelt
27
67146
3875
Plötzlich wurden neue chemische Färbemittel für das Gehirngewebe entwickelt
01:26
and they gavegab us our first glimpsesEinblicke at brainGehirn wiringVerdrahtung.
28
71021
2812
und diese gaben uns erste Einblicke in die Verdrahtung des Gehirns.
01:29
The computerComputer was crackedgeknackt openöffnen.
29
73833
2013
Der Computer wurde aufgebrochen.
01:31
So what really launchedgestartet modernmodern neuroscienceNeurowissenschaften
30
75846
2856
Was nun wirklich die modernen Neurowissenschaften nach vorn gebracht hat,
01:34
was a stainFleck callednamens the GolgiGolgi stainFleck.
31
78702
1965
war ein Färbemittel namens Golgi-Färbung.
01:36
And it worksWerke in a very particularinsbesondere way.
32
80667
1881
Und dieses wirkt auf eine sehr besondere Weise.
01:38
InsteadStattdessen of stainingFärbung all of the cellsZellen insideinnen of a tissueGewebe,
33
82548
3110
Anstatt alle Zellen innerhalb eines Gewebes zu färben,
01:41
it somehowirgendwie only stainsFlecken about one percentProzent of them.
34
85658
3032
färbt es irgendwie nur etwa ein Prozent davon.
01:44
It clearsLöscht the forestWald, revealszeigt the treesBäume insideinnen.
35
88690
3342
Es lichtet den Wald und macht die einzelnen Bäume sichtbar.
01:47
If everything had been labeledmit der Bezeichnung, nothing would have been visiblesichtbar.
36
92032
2672
Wenn alles markiert worden wäre, wäre nichts sichtbar geworden.
01:50
So somehowirgendwie it showszeigt an what's there.
37
94704
2046
Irgendwie zeigt es also, was da ist.
01:52
SpanishSpanisch neuroanatomistNeuroanatom SantiagoSantiago RamonRamon y CajalCajal,
38
96750
2667
Der spanische Neurowissenschaftler Santiago Ramon y Cajal,
01:55
who'swer ist widelyweit consideredberücksichtigt the fatherVater of modernmodern neuroscienceNeurowissenschaften,
39
99417
2845
der weithin als der Vater der modernen Neurowissenschaften angesehen wird,
01:58
appliedangewendet this GolgiGolgi stainFleck, whichwelche yieldsErträge dataDaten whichwelche lookssieht aus like this,
40
102262
3897
benutze die Golgi-Färbung, was zu Ergebnissen führte, die so aussehen
02:02
and really gavegab us the modernmodern notionBegriff of the nerveNerv cellZelle, the neuronNeuron.
41
106159
3758
und hat uns somit die moderne Vorstellung der Nervenzelle gegeben, dem Neuron.
02:05
And if you're thinkingDenken of the brainGehirn as a computerComputer,
42
109917
2614
Und wenn Sie sich das Gehirn wie einen Computer vorstellen,
02:08
this is the transistorTransistor.
43
112531
2011
dann ist dies der Transistor.
02:10
And very quicklyschnell CajalCajal realizedrealisiert
44
114542
2075
Und Cajal hat sehr schnell erkannt,
02:12
that neuronsNeuronen don't operatearbeiten aloneallein,
45
116617
2337
dass Neuronen nicht allein operieren,
02:14
but ratherlieber make connectionsVerbindungen with othersAndere
46
118954
1838
sondern vielmehr Verbindungen zu anderen Neuronen herstellen,
02:16
that formbilden circuitsSchaltungen just like in a computerComputer.
47
120792
2506
die Kreise bilden, genau wie in einem Computer.
02:19
TodayHeute, a centuryJahrhundert laterspäter, when researchersForscher want to visualizevisualisieren neuronsNeuronen,
48
123298
3391
Wenn Wissenschaftler heute, ein Jahrhundert später, Neuronen sichtbar machen wollen,
02:22
they lightLicht them up from the insideinnen ratherlieber than darkeningVerdunkelung them.
49
126689
2767
dann lassen sie diese von innen aufleuchten, anstatt sie zu verdunkeln.
02:25
And there's severalmehrere waysWege of doing this.
50
129456
1150
Und es gibt mehrere Arten, wie man das machen kann.
02:26
But one of the mostdie meisten popularBeliebt onesEinsen
51
130606
1727
Aber eine der gängigsten
02:28
involvesbeinhaltet greenGrün fluorescentfluoreszierende proteinEiweiß.
52
132333
2092
beinhaltet grün fluoreszierendes Protein.
02:30
Now greenGrün fluorescentfluoreszierende proteinEiweiß,
53
134425
1659
Grün fluoreszierendes Protein,
02:31
whichwelche oddlyseltsam enoughgenug comeskommt from a bioluminescentBiolumineszenz jellyfishQualle,
54
136084
3145
das merkwürdigerweise von einer biolumineszenten Qualle stammt,
02:35
is very usefulsinnvoll.
55
139229
1238
ist sehr nützlich.
02:36
Because if you can get the geneGen for greenGrün fluorescentfluoreszierende proteinEiweiß
56
140467
2638
Wenn man nämlich das Gen des grün fluoreszierenden Proteins nimmt
02:39
and deliverliefern it to a cellZelle,
57
143105
1675
und es einer Zelle zuführt,
02:40
that cellZelle will glowGlühen greenGrün --
58
144780
1747
wird die Zelle grün leuchten –
02:42
or any of the manyviele variantsVarianten now of greenGrün fluorescentfluoreszierende proteinEiweiß,
59
146527
3746
oder in einer der vielen anderen Varianten des grün fluoreszierenden Proteins,
02:46
you get a cellZelle to glowGlühen manyviele differentanders colorsFarben.
60
150273
1664
und so bekommt man eine Zelle, die in vielen verschiedenen Farben leuchtet.
02:47
And so comingKommen back to the brainGehirn,
61
151937
1521
Und um zum Gehirn zurückzukommen:
02:49
this is from a geneticallygenetisch engineeredentwickelt mouseMaus callednamens "BrainbowBrainbow."
62
153458
3800
dies ist von einer gentechnisch veränderten Maus names "Brainbow" (Gehirn-Regenbogen).
02:53
And it's so callednamens, of courseKurs,
63
157258
1550
Und sie wird natürlich so genannt,
02:54
because all of these neuronsNeuronen are glowingGlühen differentanders colorsFarben.
64
158808
3612
weil alle diese Neuronen in unterschiedlichen Farben leuchten.
02:58
Now sometimesmanchmal neuroscientistsNeurowissenschaftler need to identifyidentifizieren
65
162420
3451
Manchmal müssen Neurowissenschaftler
03:01
individualPerson molecularmolekular componentsKomponenten of neuronsNeuronen, moleculesMoleküle,
66
165871
3044
individuelle molekulare Komponenten der Neuronen, Moleküle, identifizieren
03:04
ratherlieber than the entireganz cellZelle.
67
168915
1798
anstatt der gesamten Zelle.
03:06
And there's severalmehrere waysWege of doing this,
68
170713
1706
Und es gibt verschiedene Arten, dies zu tun,
03:08
but one of the mostdie meisten popularBeliebt onesEinsen
69
172419
1469
aber eine der populärsten Arten
03:09
involvesbeinhaltet usingmit antibodiesAntikörper.
70
173888
2195
beinhaltet die Nutzung von Antikörpern.
03:11
And you're familiarfamiliär, of courseKurs,
71
176083
1337
Und Sie kennen Antikörper natürlich
03:13
with antibodiesAntikörper as the henchmenHandlanger of the immuneimmun systemSystem.
72
177420
2951
als Handlanger des Immunsystems.
03:16
But it turnswendet sich out that they're so usefulsinnvoll to the immuneimmun systemSystem
73
180371
2418
Und es hat sich herausgestellt, dass sie so hilfreich für das Immunsystem sind,
03:18
because they can recognizeerkenne specificspezifisch moleculesMoleküle,
74
182789
2550
weil sie spezifische Moleküle erkennen können,
03:21
like, for exampleBeispiel, the codeCode proteinEiweiß
75
185339
2119
wie zum Beispiel das Schlüsselprotein
03:23
of a virusVirus that's invadingInvasion the bodyKörper.
76
187458
2388
eines Virus, das den Körper angreift.
03:25
And researchersForscher have used this factTatsache
77
189846
2045
Und Wissenschaftler benutzen diese Tatsache
03:27
in orderAuftrag to recognizeerkenne specificspezifisch moleculesMoleküle insideinnen of the brainGehirn,
78
191891
4325
um spezifische Moleküle im Gehirn zu erkennen,
03:32
recognizeerkenne specificspezifisch substructuresUnterkonstruktionen of the cellZelle
79
196216
2640
spezifische Unterstrukturen der Zelle zu erkennen
03:34
and identifyidentifizieren them individuallyindividuell.
80
198856
2244
und diese einzeln zu identifizieren.
03:37
And a lot of the imagesBilder I've been showingzeigt you here are very beautifulschön,
81
201100
3025
Und viele der Bilder, die ich Ihnen hier gezeigt habe, sind sehr schön,
03:40
but they're alsoebenfalls very powerfulmächtig.
82
204125
1906
aber sie sind auch sehr kraftvoll.
03:41
They have great explanatoryerläuternd powerLeistung.
83
206031
1636
Sie haben eine sehr starke erklärende Kraft.
03:43
This, for exampleBeispiel, is an antibodyAntikörper stainingFärbung
84
207667
2090
Dies hier ist zum Beispiel eine Antikörper-Färbung
03:45
againstgegen serotoninSerotonin transportersTransporter in a sliceSlice of mouseMaus brainGehirn.
85
209757
3520
der Serotonintransporter im Gehirn einer Maus.
03:49
And you've heardgehört of serotoninSerotonin, of courseKurs,
86
213277
1681
Und Sie kennen natürlich Serotonin
03:50
in the contextKontext of diseasesKrankheiten like depressionDepression and anxietyAngst.
87
214958
2827
im Kontext von Krankheiten wie Depressionen und Angstzuständen.
03:53
You've heardgehört of SSRIsSSRI,
88
217785
1408
Sie kennen SSRIs,
03:55
whichwelche are drugsDrogen that are used to treatbehandeln these diseasesKrankheiten.
89
219193
2897
Medikamente, die zur Behandlung dieser Krankheiten genutzt werden.
03:57
And in orderAuftrag to understandverstehen how serotoninSerotonin worksWerke,
90
222090
2890
Und um zu verstehen, wie Serotonin arbeitet,
04:00
it's criticalkritisch to understandverstehen where the serontoninserontonin machineryMaschinen is.
91
224980
3076
ist es entscheidend zu verstehen, wo die "Serotoninmaschine" ist.
04:03
And antibodyAntikörper stainingsFärbungen like this one
92
228056
1596
Eine Antikörper-Färbung wie diese hier
04:05
can be used to understandverstehen that sortSortieren of questionFrage.
93
229652
3546
kann genutzt werden, um diese Art von Fragen zu verstehen.
04:09
I'd like to leaveverlassen you with the followinges folgen thought:
94
233198
2558
Ein Gedanke soll den Ausklang bilden:
04:11
GreenGrün fluorescentfluoreszierende proteinEiweiß and antibodiesAntikörper
95
235756
2610
Grün fluoreszierendes Protein und Antikörper
04:14
are bothbeide totallytotal naturalnatürlich productsProdukte at the get-goGet-go.
96
238366
3007
sind beide von Anfang an total natürliche Produkte.
04:17
They were evolvedentwickelt by natureNatur
97
241373
2779
Sie sind von der Natur entwickelt worden,
04:20
in orderAuftrag to get a jellyfishQualle to glowGlühen greenGrün for whateverwas auch immer reasonGrund,
98
244152
2567
damit eine Qualle grün leuchtet, aus welchem Grund auch immer,
04:22
or in orderAuftrag to detecterkennen the codeCode proteinEiweiß of an invadingInvasion virusVirus, for exampleBeispiel.
99
246719
4383
oder um das Protein eines angreifenden Virus zu aufzuspüren.
04:27
And only much laterspäter did scientistsWissenschaftler come ontoauf zu the sceneSzene
100
251102
3017
Und erst sehr viel später tauchen Wissenschaftler auf der Bühne auf
04:30
and say, "Hey, these are toolsWerkzeuge,
101
254119
2023
und sagen: "Hey, das sind Werkzeuge,
04:32
these are functionsFunktionen that we could use
102
256142
2113
das sind Funktionen, die wir nutzen könnten
04:34
in our ownbesitzen researchForschung toolWerkzeug palettePalette."
103
258255
2008
in unserer eigenen Werkzeugpalette für die Forschung."
04:36
And insteadstattdessen of applyingbewirbt sich feebleschwach humanMensch mindsKöpfe
104
260263
3628
Und anstatt dass sich der klägliche menschliche Verstand dafür einsetzen musste
04:39
to designingEntwerfen these toolsWerkzeuge from scratchkratzen,
105
263891
1884
um diese Werkzeuge aus dem Nichts zu erfinden,
04:41
there were these ready-madefertige solutionsLösungen right out there in natureNatur
106
265775
2904
waren da diese vorgefertigten Lösungen direkt draußen in der Natur,
04:44
developedentwickelt and refinedraffiniert steadilyständig for millionsMillionen of yearsJahre
107
268679
3236
entwickelt und ununterbrochen verbessert seit Millionen von Jahren
04:47
by the greatestgrößte engineerIngenieur of all.
108
271915
1700
vom Größten aller Ingenieure.
04:49
Thank you.
109
273615
1262
Danke.
04:50
(ApplauseApplaus)
110
274877
2538
(Applaus)
Translated by Daniela Balogh
Reviewed by Judith Matz

▲Back to top

ABOUT THE SPEAKER
Carl Schoonover - Neuroscience PhD student + writer
Carl Schoonover is a neuroscientist and one of the founders of NeuWrite, a collaboration between writers and neuroscientist.

Why you should listen

Carl is a neuroscience PhD candidate at Columbia University, where he works on microanatomy and electrophysiology of rodent somatosensory cortex. He the author of Portraits of the Mind: Visualizing the Brain from Antiquity to the 21st Century, and has written for the New York Times, Le Figaro, the Huffington Post, Science, Scientific American, Design Observer, and Boing Boing. In 2008 he cofounded NeuWrite, a collaborative working group for scientists, writers, and those in between. He hosts a radio show on WkCR 89.9FM, which focuses on opera and classical music, and their relationship to the brain.

More profile about the speaker
Carl Schoonover | Speaker | TED.com