ABOUT THE SPEAKER
Paul Rothemund - DNA origamist
Paul Rothemund folds DNA into shapes and patterns. Which is a simple enough thing to say, but the process he has developed has vast implications for computing and manufacturing -- allowing us to create things we can now only dream of.

Why you should listen

Paul Rothemund won a MacArthur grant this year for a fairly mystifying study area: "folding DNA." It brings up the question: Why fold DNA? The answer is -- because the power to manipulate DNA in this way could change the way we make things at a very basic level.

Rothemund's work combines the study of self-assembly (watch the TEDTalks from Neil Gershenfeld and Saul Griffith for more on this) with the research being done in DNA nanotechnology -- and points the way toward self-assembling devices at microscale, making computer memory, for instance, smaller, faster and maybe even cheaper.

More profile about the speaker
Paul Rothemund | Speaker | TED.com
TED2008

Paul Rothemund: DNA folding, in detail

Paul Rothemund beschreibt DNA-Origami

Filmed:
752,456 views

2007 fasste Paul Rothemund bei TED kurz sein Fachgebiet, das Falten von DNA, zusammen. Nun legt er uns detailliert dar, welche Versprechen dieses Feld uns macht – das Erschaffen winziger Maschinen, die sich selbst zusammenbauen.
- DNA origamist
Paul Rothemund folds DNA into shapes and patterns. Which is a simple enough thing to say, but the process he has developed has vast implications for computing and manufacturing -- allowing us to create things we can now only dream of. Full bio

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

00:12
So, people argueargumentieren vigorouslykräftig about the definitionDefinition of life.
0
0
3000
Über die Definition von Leben wird heftig debattiert.
00:15
They askFragen if it should have reproductionReproduktion in it, or metabolismStoffwechsel, or evolutionEvolution.
1
3000
5000
Schließt sie die Fortpflanzung mit ein, oder den Stoffwechsel, oder Evolution?
00:20
And I don't know the answerAntworten to that, so I'm not going to tell you.
2
8000
2000
Ich weiß die Antwort darauf nicht, also sage ich es euch nicht.
00:22
I will say that life involvesbeinhaltet computationBerechnung.
3
10000
3000
Aber ich sage, dass Leben auch Berechnung umfasst.
00:25
So this is a computerComputer programProgramm.
4
13000
2000
Das ist also ein Computerprogramm.
00:27
BootedGestartet up in a cellZelle, the programProgramm would executeausführen,
5
15000
3000
Hochgefahren in einer Zelle, würde das Programm ausgeführt
00:30
and it could resultErgebnis in this personPerson;
6
18000
3000
und es könnte zu dieser Person führen,
00:33
or with a smallklein changeVeränderung, it could resultErgebnis in this personPerson;
7
21000
3000
oder mit einer kleinen Änderung zu dieser,
00:36
or anotherein anderer smallklein changeVeränderung, this personPerson;
8
24000
2000
oder mit einer anderen kleinen Änderung zu dieser,
00:38
or with a largergrößer changeVeränderung, this dogHund,
9
26000
3000
oder mit einer größeren Änderung zu diesem Hund,
00:41
or this treeBaum, or this whaleWal.
10
29000
2000
oder diesem Baum, oder dem Wal hier.
00:43
So now, if you take this metaphorMetapher
11
31000
2000
Wenn wir diese Metapher
00:45
[of] genomeGenom as programProgramm seriouslyernst,
12
33000
2000
eines Genoms als Programm nun ernst nehmen,
00:47
you have to considerErwägen that ChrisChris AndersonAnderson
13
35000
2000
dann müssen Sie bedenken, dass Chris Anderson
00:49
is a computer-fabricatedComputer hergestellt artifactArtefakt, as is JimJim WatsonWatson,
14
37000
3000
ein Computer-erzeugter Gegenstand ist, wie auch Jim Watson,
00:52
CraigCraig VenterVenter, as are all of us.
15
40000
3000
Craig Venter, und alle von uns.
00:55
And in convincingüberzeugend yourselfdich selber that this metaphorMetapher is truewahr,
16
43000
2000
Und indem wir uns von der Wahrheit dieser Metapher überzeugen,
00:57
there are lots of similaritiesÄhnlichkeiten betweenzwischen geneticgenetisch programsProgramme
17
45000
2000
gibt es viele Ähnlichkeiten zwischen genetischen
00:59
and computerComputer programsProgramme that could help to convinceüberzeugen you.
18
47000
3000
und Computer-Programmen, die helfen, uns zu überzeugen.
01:02
But one, to me, that's mostdie meisten compellingüberzeugende
19
50000
2000
Die für mich faszinierendste ist die seltsame
01:04
is the peculiareigentümliche sensitivityEmpfindlichkeit to smallklein changesÄnderungen
20
52000
3000
Sensibilität gegenüber kleinen Veränderungen,
01:07
that can make largegroß changesÄnderungen in biologicalbiologisch developmentEntwicklung -- the outputAusgabe.
21
55000
3000
die zu großen Veränderungen in der biologischen Entwicklung führen – im Output.
01:10
A smallklein mutationMutation can take a two-wingzweiflügelige flyFliege
22
58000
2000
Eine kleine Mutation kann aus einer zweiflügeligen Fliege
01:12
and make it a four-wingvierflügelige flyFliege.
23
60000
1000
eine vierflügelige machen.
01:13
Or it could take a flyFliege and put legsBeine where its antennaeAntennen should be.
24
61000
4000
Oder sie könnte einer Fliege statt Fühlern Beine anbauen.
01:17
Or if you're familiarfamiliär with "The PrincessPrinzessin BrideBraut,"
25
65000
2000
Oder, falls Sie "Die Braut des Prinzen" kennen,
01:19
it could createerstellen a six-fingeredsechs Fingern man.
26
67000
2000
einen sechsfingrigen Mann schaffen.
01:21
Now, a hallmarkHallmark of computerComputer programsProgramme
27
69000
2000
Ein Kennzeichen von Computerprogrammen
01:23
is just this kindArt of sensitivityEmpfindlichkeit to smallklein changesÄnderungen.
28
71000
3000
ist genau diese Sensibilität für kleine Veränderungen.
01:26
If your bankBank account'sdes Kontos one dollarDollar, and you flipflip a singleSingle bitBit,
29
74000
2000
Wenn Sie einen Dollar auf dem Konto haben und nur ein einziges Bit verändern,
01:28
you could endEnde up with a thousandtausend dollarsDollar.
30
76000
2000
könnten Sie am Ende tausend Dollar haben.
01:30
So these smallklein changesÄnderungen are things that I think
31
78000
3000
Diese kleinen Änderungen sind Dinge, die –
01:33
that -- they indicatezeigen to us that a complicatedkompliziert computationBerechnung
32
81000
2000
denke ich, darauf hindeuten, dass eine komplizierte Berechnung
01:35
in developmentEntwicklung is underlyingzugrunde liegenden these amplifiedverstärkt, largegroß changesÄnderungen.
33
83000
4000
unter diesen verstärkten, großen Veränderungen geschieht.
01:39
So now, all of this indicateszeigt an that there are molecularmolekular programsProgramme underlyingzugrunde liegenden biologyBiologie,
34
87000
6000
Nun deutet also alles darauf hin, dass molekulare Programme der Biologie zugrundeliegen
01:45
and it showszeigt an the powerLeistung of molecularmolekular programsProgramme -- biologyBiologie does.
35
93000
4000
und die Biologie zeigt die Macht molekularer Programme.
01:49
And what I want to do is writeschreiben molecularmolekular programsProgramme,
36
97000
2000
Ich möchte gerne diese Programme schreiben,
01:51
potentiallymöglicherweise to buildbauen technologyTechnologie.
37
99000
2000
um eventuell Technologie damit zu bauen.
01:53
And there are a lot of people doing this,
38
101000
1000
Und davon gibt es eine Menge Leute,
01:54
a lot of syntheticSynthetik biologistsBiologen doing this, like CraigCraig VenterVenter.
39
102000
3000
eine Menge synthetischer Biologen tun das, wie Craig Venter.
01:57
And they concentratekonzentrieren on usingmit cellsZellen.
40
105000
2000
Sie konzentrieren sich auf die Verwendung von Zellen.
01:59
They're cell-orientedZelle orientierte-.
41
107000
2000
Sie sind zellen-orientiert.
02:01
So my friendsFreunde, molecularmolekular programmersProgrammierer, and I
42
109000
2000
Meine Freunde, molekulare Programmierer, und ich
02:03
have a sortSortieren of biomolecule-centricBiomolekül-centric approachAnsatz.
43
111000
2000
haben eine Art biomolekulare Herangehensweise.
02:05
We're interestedinteressiert in usingmit DNADNA, RNARNA and proteinEiweiß,
44
113000
3000
Wir wollen DNA, RNA und Proteine verwenden,
02:08
and buildingGebäude newneu languagesSprachen for buildingGebäude things from the bottomBoden up,
45
116000
3000
und neue Sprachen konstruieren, um Dinge von Grund auf zu schaffen,
02:11
usingmit biomoleculesBiomoleküle,
46
119000
1000
indem wir Biomoleküle verwenden,
02:12
potentiallymöglicherweise havingmit nothing to do with biologyBiologie.
47
120000
3000
was möglicherweise nichts mit Biologie zu tun hat.
02:15
So, these are all the machinesMaschinen in a cellZelle.
48
123000
4000
Das hier sind also alle Maschinen in einer Zelle.
02:19
There's a cameraKamera.
49
127000
2000
Dort ist eine Kamera.
02:21
There's the solarSolar- panelsPlatten of the cellZelle,
50
129000
1000
Hier sind die Solarzellen der Zelle,
02:22
some switchesSchalter that turnWende your genesGene on and off,
51
130000
2000
ein paar Schalter, die Gene ein- und ausschalten,
02:24
the girdersTräger of the cellZelle, motorsMotoren that moveBewegung your musclesMuskeln.
52
132000
3000
die Träger der Zelle, Motoren, die Muskeln bewegen.
02:27
My little groupGruppe of molecularmolekular programmersProgrammierer
53
135000
2000
Meine kleine Gruppe molekularer Programmierer
02:29
are tryingversuchen to refashionRefashion all of these partsTeile from DNADNA.
54
137000
4000
versucht, all diese Teile aus DNA nachzubauen.
02:33
We're not DNADNA zealotsBerserker, but DNADNA is the cheapestbilligste,
55
141000
2000
Wir sind keine DNA-Fanatiker, aber DNA ist das Material,
02:35
easiestam einfachsten to understandverstehen and easyeinfach to programProgramm materialMaterial to do this.
56
143000
3000
das am billigsten, am verständlichsten und am leichtesten programmierbar ist.
02:38
And as other things becomewerden easiereinfacher to use --
57
146000
2000
Und sobald andere Dinge leichter zu verwenden sind –
02:40
maybe proteinEiweiß -- we'llGut work with those.
58
148000
3000
vielleicht Protein – dann arbeiten wir mit denen.
02:43
If we succeedgelingen, what will molecularmolekular programmingProgrammierung look like?
59
151000
2000
Wenn es uns gelingt, wie wird molekulares Programmieren aussehen?
02:45
You're going to sitsitzen in frontVorderseite of your computerComputer.
60
153000
2000
Man sitzt vorm Computer.
02:47
You're going to designEntwurf something like a cellZelle phoneTelefon,
61
155000
2000
Man entwirft so etwas wie ein Handy,
02:49
and in a high-levelhohes Level languageSprache, you'lldu wirst describebeschreiben that cellZelle phoneTelefon.
62
157000
2000
und in sehr abstrakter Sprache beschreibt man dieses Handy.
02:51
Then you're going to have a compilerCompiler
63
159000
2000
Dann nimmt man einen Compilerprogramm,
02:53
that's going to take that descriptionBeschreibung
64
161000
1000
das diese Beschreibung nimmt
02:54
and it's going to turnWende it into actualtatsächlich moleculesMoleküle
65
162000
2000
und sie in tatsächliche Moleküle umwandelt,
02:56
that can be sentgesendet to a synthesizerSynthesizer
66
164000
2000
die zu einem Synthesizer gesendet werden können,
02:58
and that synthesizerSynthesizer will packPack those moleculesMoleküle into a seedSamen.
67
166000
3000
und dieser Synthesizer verpackt diese Moleküle in einen Samen.
03:01
And what happensdas passiert if you waterWasser and feedFutter that seedSamen appropriatelypassend,
68
169000
3000
Und wenn man diesen Samen gießt und mit Nährstoffen versorgt,
03:04
is it will do a developmentalEntwicklungsbiologie computationBerechnung,
69
172000
2000
dann liefert er uns eine Wachstumsberechnung,
03:06
a molecularmolekular computationBerechnung, and it'lles wird buildbauen an electronicelektronisch computerComputer.
70
174000
3000
eine molekulare Berechnung, und baut einen elektronischen Computer.
03:09
And if I haven'thabe nicht revealedenthüllt my prejudicesVorurteile alreadybereits,
71
177000
2000
Und falls meine Überzeugung noch nicht klargeworden sind,
03:12
I think that life has been about molecularmolekular computersComputer
72
180000
2000
ich glaube, dass es im Leben um molekulare Computer geht,
03:14
buildingGebäude electrochemicalelektrochemische computersComputer,
73
182000
2000
die elektrochemische Computer bauen,
03:16
buildingGebäude electronicelektronisch computersComputer,
74
184000
2000
die elektronische Computer bauen,
03:18
whichwelche togetherzusammen with electrochemicalelektrochemische computersComputer
75
186000
2000
die zusammen mit elektrochemischen Computern
03:20
will buildbauen newneu molecularmolekular computersComputer,
76
188000
2000
neue molekulare Computer bauen werden,
03:22
whichwelche will buildbauen newneu electronicelektronisch computersComputer, and so forthher.
77
190000
3000
die neue elektronische Computer bauen können, usw.
03:25
And if you buykaufen all of this,
78
193000
1000
Und wenn Sie mir das alles abkaufen,
03:26
and you think life is about computationBerechnung, as I do,
79
194000
2000
und auch denken, dass Leben Berechnung ist, so wie ich,
03:28
then you look at biggroß questionsFragen throughdurch the eyesAugen of a computerComputer scientistWissenschaftler.
80
196000
3000
dann schauen Sie sich die großen Fragen aus Sicht eines Informatikers an.
03:31
So one biggroß questionFrage is, how does a babyBaby know when to stop growingwachsend?
81
199000
4000
Eine große Frage ist also: Woher weiß ein Baby, wann es zu wachsen aufhören soll?
03:35
And for molecularmolekular programmingProgrammierung,
82
203000
2000
Und was molekulares Programmieren betrifft:
03:37
the questionFrage is how does your cellZelle phoneTelefon know when to stop growingwachsend?
83
205000
2000
Woher weiß denn das Handy, wann es zu wachsen aufhören soll?
03:39
(LaughterLachen)
84
207000
1000
(Lachen)
03:40
Or how does a computerComputer programProgramm know when to stop runningLaufen?
85
208000
3000
Oder wie weiß ein Computerprogramm, wann es anhalten soll?
03:43
Or more to the pointPunkt, how do you know if a programProgramm will ever stop?
86
211000
3000
Genauer gesagt, woher weiß man, ob ein Programm je aufhört?
03:46
There are other questionsFragen like this, too.
87
214000
2000
Es gibt noch andere solcher Fragen.
03:48
One of them is CraigCraig Venter'sDie Venter questionFrage.
88
216000
2000
Eine von ihnen ist Craig Venters Frage.
03:50
TurnsDreht sich out I think he's actuallytatsächlich a computerComputer scientistWissenschaftler.
89
218000
2000
Ich glaube ja, er ist eigentlich ein Informatiker.
03:52
He askedaufgefordert, how biggroß is the minimalminimal genomeGenom
90
220000
3000
Er fragt, wie groß ist das kleinste Genom,
03:55
that will give me a functioningFunktion microorganismMikroorganismus?
91
223000
2000
das mir einen funktionierenden Mikroorganismus geben kann?
03:57
How fewwenige genesGene can I use?
92
225000
2000
Wie wenige Gene kann ich verwenden?
03:59
This is exactlygenau analogousAnalog to the questionFrage,
93
227000
2000
Das ist genau analog zu der Frage,
04:01
what's the smallestkleinste programProgramm I can writeschreiben
94
229000
1000
was das kleinste Programm ist, das ich schreiben kann,
04:02
that will actHandlung exactlygenau like MicrosoftMicrosoft WordWord?
95
230000
2000
das sich genau so wie Microsoft Word verhält?
04:04
(LaughterLachen)
96
232000
1000
(Lachen)
04:05
And just as he's writingSchreiben, you know, bacteriaBakterien that will be smallerkleiner,
97
233000
4000
Und so wie er kleinere Bakterien programmiert,
04:09
he's writingSchreiben genomesGenome that will work,
98
237000
1000
wie er Genome programmiert, die funktionieren werden,
04:10
we could writeschreiben smallerkleiner programsProgramme
99
238000
2000
so können wir kleinere Programme schreiben,
04:12
that would do what MicrosoftMicrosoft WordWord does.
100
240000
2000
die das tun, was Microsoft Word macht.
04:14
But for molecularmolekular programmingProgrammierung, our questionFrage is,
101
242000
2000
Aber bei molekularen Programmen ist unsere Frage:
04:16
how manyviele moleculesMoleküle do we need to put in that seedSamen to get a cellZelle phoneTelefon?
102
244000
4000
Wie viele Moleküle müssen wir in diesen Samen tun, um ein Handy zu erhalten?
04:20
What's the smallestkleinste numberNummer we can get away with?
103
248000
2000
Wie weit können wir die Zahl reduzieren?
04:22
Now, these are biggroß questionsFragen in computerComputer scienceWissenschaft.
104
250000
2000
Das sind große Fragen in der Informatik.
04:24
These are all complexityKomplexität questionsFragen,
105
252000
2000
Das sind alles Fragen der Komplexität,
04:26
and computerComputer scienceWissenschaft tellserzählt us that these are very hardhart questionsFragen.
106
254000
2000
und laut Informatik sind diese Fragen sehr schwierig.
04:28
AlmostFast -- manyviele of them are impossibleunmöglich.
107
256000
2000
Fast – viele von ihnen sind unmöglich.
04:30
But for some tasksAufgaben, we can startAnfang to answerAntworten them.
108
258000
3000
Aber in einigen Fällen können wir schon Antworten äußern.
04:33
So, I'm going to startAnfang askingfragen those questionsFragen
109
261000
1000
Ich werde also diese Fragen stellen
04:34
for the DNADNA structuresStrukturen I'm going to talk about nextNächster.
110
262000
3000
für die DNA-Strukturen, über die ich als nächstes rede.
04:37
So, this is normalnormal DNADNA, what you think of as normalnormal DNADNA.
111
265000
3000
Das hier ist normale DNA, was man für normale DNA hält.
04:40
It's double-strandeddoppelsträngige, it's a doubledoppelt helixWendel,
112
268000
2000
Sie hat zwei Stränge, sie ist eine Doppelhelix,
04:42
has the As, TsTS, CsCS and GsGS that pairPaar to holdhalt the strandsStränge togetherzusammen.
113
270000
3000
und die As, Ts, Cs und Gs halten durch ihre Verbindung die Stränge zusammen.
04:45
And I'm going to drawzeichnen it like this sometimesmanchmal,
114
273000
2000
Ich werde es manchmal so aufzeichnen,
04:47
just so I don't scareSchrecken you.
115
275000
2000
nur, damit ich Sie nicht erschrecke.
04:49
We want to look at individualPerson strandsStränge and not think about the doubledoppelt helixWendel.
116
277000
3000
Wir wollen uns einzelne Stränge ansehen, nicht die Doppelhelix.
04:52
When we synthesizesynthetisieren it, it comeskommt single-strandedeinsträngiger,
117
280000
3000
Wenn wir sie synthetisieren, hat sie nur einen Strang.
04:55
so we can take the blueblau strandStrang in one tubeTube
118
283000
3000
Wir können also den blauen Strang in einem Röhrchen haben
04:58
and make an orangeOrange strandStrang in the other tubeTube,
119
286000
2000
und einen orangefarbenen im anderen Röhrchen,
05:00
and they're floppyDiskette when they're single-strandedeinsträngiger.
120
288000
2000
und wenn sie nur einen Strang hat, ist sie schwabbelig.
05:02
You mixmischen them togetherzusammen and they make a rigidstarre doubledoppelt helixWendel.
121
290000
3000
Wenn man sie vermischt, ergeben sie eine feste Doppelhelix.
05:05
Now for the last 25 yearsJahre,
122
293000
2000
In den letzten 25 Jahren
05:07
NedNed SeemanSeeman and a bunchBündel of his descendantsNachkommenschaft
123
295000
2000
arbeiteten Ned Seeman und ein paar seiner Nachfolger
05:09
have workedhat funktioniert very hardhart and madegemacht beautifulschön three-dimensionaldreidimensional structuresStrukturen
124
297000
3000
hart daran, wunderschöne dreidimensionale Strukturen zu erstellen,
05:12
usingmit this kindArt of reactionReaktion of DNADNA strandsStränge comingKommen togetherzusammen.
125
300000
3000
indem diese Reaktion der DNA-Stränge ausgenutzt wird.
05:15
But a lot of theirihr approachesAnsätze, thoughobwohl elegantelegant, take a long time.
126
303000
3000
Viele ihrer Ansätze sind zwar elegant, dauern aber lange.
05:18
They can take a couplePaar of yearsJahre, or it can be difficultschwer to designEntwurf.
127
306000
3000
Sie können ein paar Jahre dauern, oder sind schwierig zu entwerfen.
05:21
So I camekam up with a newneu methodMethode a couplePaar of yearsJahre agovor
128
309000
3000
Also dachte ich mir vor ein paar Jahren eine neue Methode aus,
05:24
I call DNADNA origamiOrigami
129
312000
1000
die ich DNA-Origami nenne,
05:25
that's so easyeinfach you could do it at home in your kitchenKüche
130
313000
2000
und die so einfach ist, dass man sie selbst zuhause in der Küche verrichten kann
05:27
and designEntwurf the stuffSachen on a laptopLaptop.
131
315000
2000
und das Zeug auf dem Laptop entwerfen.
05:29
But to do it, you need a long, singleSingle strandStrang of DNADNA,
132
317000
3000
Aber um das zu tun, wird ein einzelner, langer DNA-Strang benötigt.
05:32
whichwelche is technicallytechnisch very difficultschwer to get.
133
320000
2000
Theoretisch kommt man da nur schwer ran.
05:34
So, you can go to a naturalnatürlich sourceQuelle.
134
322000
2000
Also kann man sich einer natürlichen Quelle bedienen.
05:36
You can look in this computer-fabricatedComputer hergestellt artifactArtefakt,
135
324000
2000
Sie können in dieses Computer-generierte Produkt hineinsehen,
05:38
and he's got a double-strandeddoppelsträngige genomeGenom -- that's no good.
136
326000
2000
und es hat ein doppelt gewundenes Genom – das nützt uns nichts.
05:40
You look in his intestinesDarm. There are billionsMilliarden of bacteriaBakterien.
137
328000
3000
Man kann in seinen Darm schauen. Es gibt Milliarden Bakterien.
05:43
They're no good eitherentweder.
138
331000
2000
Die nützen uns auch nichts.
05:45
DoubleDoppel strandStrang again, but insideinnen them, they're infectedinfiziert with a virusVirus
139
333000
2000
Wieder doppelt gewunden, aber sie sind mit einem Virus infiziert,
05:47
that has a nicenett, long, single-strandedeinsträngiger genomeGenom
140
335000
3000
der ein schönes, langes, einzeln gewundenes Genom hat,
05:50
that we can foldfalten like a pieceStück of paperPapier-.
141
338000
2000
das wir wie ein Stück Papier falten können.
05:52
And here'shier ist how we do it.
142
340000
1000
Und das machen wir so.
05:53
This is partTeil of that genomeGenom.
143
341000
1000
Das ist Teil dieses Genoms.
05:54
We addhinzufügen a bunchBündel of shortkurz, syntheticSynthetik DNAsDNAs that I call staplesHeftklammern.
144
342000
3000
Wir geben noch etwas kurze, synthetische DNA dazu, die ich Krampen nenne.
05:57
EachJedes one has a left halfHälfte that bindsbindet the long strandStrang in one placeOrt,
145
345000
4000
Jede einzelne hat eine linke Hälfte, die den langen Strang festhält,
06:01
and a right halfHälfte that bindsbindet it in a differentanders placeOrt,
146
349000
3000
und eine rechte Hälfte, die ihn an einer anderen Stelle festhält,
06:04
and bringsbringt the long strandStrang togetherzusammen like this.
147
352000
2000
und so wird der lange Strang so zusammengefügt.
06:07
The netNetz actionAktion of manyviele of these on that long strandStrang
148
355000
2000
Unterm Strich falten sich so viele von ihnen auf diesem Strang
06:09
is to foldfalten it into something like a rectangleRechteck.
149
357000
2000
in so etwas wie ein Rechteck.
06:11
Now, we can't actuallytatsächlich take a movieFilm of this processverarbeiten,
150
359000
2000
Davon können wir kein Video aufnehmen,
06:13
but ShawnShawn DouglasDouglas at HarvardHarvard
151
361000
2000
aber Shawn Douglas aus Harvard
06:15
has madegemacht a nicenett visualizationVisualisierung for us
152
363000
2000
hat uns das schön visualisiert.
06:17
that beginsbeginnt with a long strandStrang and has some shortkurz strandsStränge in it.
153
365000
4000
Hier haben wir einen langen Strang mit ein paar kurzen dran.
06:21
And what happensdas passiert is that we mixmischen these strandsStränge togetherzusammen.
154
369000
4000
Und dann mischen wir diese Stränge zusammen.
06:25
We heatHitze them up, we addhinzufügen a little bitBit of saltSalz-,
155
373000
2000
Wir erhitzen sie, fügen etwas Salz hinzu,
06:27
we heatHitze them up to almostfast boilingKochen and coolcool them down,
156
375000
2000
erhitzen sie fast bis zum Siedepunkt und kühlen sie ab,
06:29
and as we coolcool them down,
157
377000
1000
und während des Abkühlens
06:30
the shortkurz strandsStränge bindbinden the long strandsStränge
158
378000
2000
fixieren die kurzen Stränge die langen
06:32
and startAnfang to formbilden structureStruktur.
159
380000
2000
und es bildet sich eine Struktur heraus.
06:34
And you can see a little bitBit of doubledoppelt helixWendel formingBildung there.
160
382000
3000
Und Sie können sehen, wie sich hier eine Doppelhelix formt.
06:38
When you look at DNADNA origamiOrigami,
161
386000
2000
Wenn Sie sich DNA-Origami anschauen,
06:40
you can see that what it really is,
162
388000
3000
können Sie erkennen, dass sie,
06:43
even thoughobwohl you think it's complicatedkompliziert,
163
391000
1000
obwohl es zunächst kompliziert scheint,
06:44
is a bunchBündel of doubledoppelt helicesHelices that are parallelparallel to eachjede einzelne other,
164
392000
3000
nur ein Haufen Doppelhelices ist, die parallel liegen,
06:47
and they're heldgehalten togetherzusammen
165
395000
2000
und sie werden dort zusammengehalten,
06:49
by placessetzt where shortkurz strandsStränge go alongeine lange one helixWendel
166
397000
2000
wo kurze Stränge an einer Helix entlang verlaufen
06:51
and then jumpspringen to anotherein anderer one.
167
399000
2000
und dann zu einer anderen springen.
06:53
So there's a strandStrang that goesgeht like this, goesgeht alongeine lange one helixWendel and bindsbindet --
168
401000
3000
Es gibt also einen Strang, der so verläuft, entlang der Helix, sich fixiert –
06:56
it jumpsspringt to anotherein anderer helixWendel and comeskommt back.
169
404000
2000
dann springt er zu einer anderen Helix und kommt zurück.
06:58
That holdshält the long strandStrang like this.
170
406000
2000
Das fixiert den langen Strang so.
07:00
Now, to showShow that we could make any shapegestalten or patternMuster
171
408000
3000
Um nun zu zeigen, dass wir beliebige Formen und Muster,
07:03
that we wanted, I triedversucht to make this shapegestalten.
172
411000
2000
die wir wollten, erzeugen können, versuchte ich mich an so einer Form.
07:06
I wanted to foldfalten DNADNA into something that goesgeht up over the eyeAuge,
173
414000
2000
Ich wollte DNA zu etwas falten, das über dem Auge hoch geht,
07:08
down the noseNase, up the noseNase, around the foreheadStirn,
174
416000
3000
an der Nase runter, die Nase hoch, um die Stirn,
07:11
back down and endEnde in a little loopSchleife like this.
175
419000
3000
wieder runter und dann in so einem Kringel endet.
07:14
And so, I thought, if this could work, anything could work.
176
422000
3000
Und, so dachte ich, wenn das funktioniert, geht alles.
07:17
So I had the computerComputer programProgramm designEntwurf the shortkurz staplesHeftklammern to do this.
177
425000
3000
Also sollte das Computerprogramm die Krampen dafür entwerfen.
07:20
I orderedbestellt them; they camekam by FedExFedEx.
178
428000
2000
Ich bestellte sie, sie kamen mit FedEx.
07:22
I mixedgemischt them up, heatedbeheizt them, cooledgekühlt them down,
179
430000
2000
Ich vermischte sie, erhitzte sie und ließ sie abkühlen,
07:24
and I got 50 billionMilliarde little smileySmiley facesGesichter
180
432000
4000
und bekam 50 Milliarden grinsender Gesichter,
07:28
floatingFloating around in a singleSingle dropfallen of waterWasser.
181
436000
2000
die in einem einzelnen Wassertropfen herumschwimmen.
07:30
And eachjede einzelne one of these is just
182
438000
2000
Und jedes von ihnen ist einfach
07:32
one-thousandthein Tausendstel the widthBreite of a humanMensch hairHaar, OK?
183
440000
4000
ein Tausendstel so breit wie ein menschliches Haar, okay?
07:36
So, they're all floatingFloating around in solutionLösung, and to look at them,
184
444000
3000
Sie schweben da also alle in der Lösung herum.
07:39
you have to get them on a surfaceOberfläche where they stickStock.
185
447000
2000
Um sie zu sehen, müssen wir sie auf eine klebrige Oberfläche bekommen.
07:41
So, you pourgießen them out ontoauf zu a surfaceOberfläche
186
449000
2000
Also kippen wir sie auf eine Oberfläche
07:43
and they startAnfang to stickStock to that surfaceOberfläche,
187
451000
2000
und sie kleben daran fest,
07:45
and we take a pictureBild usingmit an atomic-forceRasterkraft microscopeMikroskop.
188
453000
2000
und dann machen wir ein Bild mittels Rasterkraftmikroskopie.
07:47
It's got a needleNadel, like a recordAufzeichnung needleNadel,
189
455000
2000
Es gibt eine Nadel, wie bei einem Plattenspieler,
07:49
that goesgeht back and forthher over the surfaceOberfläche,
190
457000
2000
die sich auf der Oberfläche hin- und zurückbewegt,
07:51
bumpsUnebenheiten up and down, and feelsfühlt sich the heightHöhe of the first surfaceOberfläche.
191
459000
3000
rauf und runter, und die Höhe der ersten Oberfläche ertastet.
07:54
It feelsfühlt sich the DNADNA origamiOrigami.
192
462000
2000
Sie fühlt das DNA-Origami.
07:56
There's the atomic-forceRasterkraft microscopeMikroskop workingArbeiten
193
464000
2000
Hier ist das Rasterkraftmikroskop an der Arbeit,
07:59
and you can see that the landing'sdie Landung a little roughrau.
194
467000
1000
und man sieht, dass die Landung etwas hart ist.
08:00
When you zoomZoomen in, they'veSie haben got, you know,
195
468000
2000
Beim Reinzoomen sehen wir
08:02
weakschwach jawsKiefer that flipflip over theirihr headsKöpfe
196
470000
1000
schwache Kiefer, die über ihre Köpfe klappen,
08:03
and some of theirihr nosesNasen get punchedgestanzt out, but it's prettyziemlich good.
197
471000
3000
und einige ihrer Nasen wurden eingeschlagen, aber sonst ganz gut.
08:06
You can zoomZoomen in and even see the extraextra little loopSchleife,
198
474000
2000
Man kann sich reinzoomen und sogar den kleinen Kringel sehen,
08:08
this little nano-goateeNano-Ziegenbart.
199
476000
2000
diesen kleinen Nano-Ziegenbart.
08:10
Now, what's great about this is anybodyirgendjemand can do this.
200
478000
3000
Und das Tolle daran ist, dass es jeder tun kann.
08:13
And so, I got this in the mailPost about a yearJahr after I did this, unsolicitedunerwünschte.
201
481000
4000
Und ungefähr ein Jahr später bekam ich überraschenderweise dies in der Post.
08:17
AnyoneWer know what this is? What is it?
202
485000
3000
Weiß jemand, was das ist? Was ist es?
08:20
It's ChinaChina, right?
203
488000
2000
Es ist China, nicht wahr?
08:22
So, what happenedpassiert is, a graduateAbsolvent studentSchüler in ChinaChina,
204
490000
2000
Folgendes war passiert: Eine Studentin in China,
08:24
LuluLulu QianQian, did a great jobJob.
205
492000
2000
Lulu Qian, legte saubere Arbeit hin.
08:26
She wroteschrieb all her ownbesitzen softwareSoftware
206
494000
2000
Sie schrieb ihre ganz eigene Software,
08:28
to designEntwurf and builtgebaut this DNADNA origamiOrigami,
207
496000
2000
um dieses DNA-Origami zu entwerfen und zu bauen,
08:30
a beautifulschön renditionWiedergabe of ChinaChina, whichwelche even has TaiwanTaiwan,
208
498000
3000
eine wunderbare Darstellung von China, sogar mit Taiwan,
08:33
and you can see it's sortSortieren of on the world'sWelt shortestkürzeste leashLeine, right?
209
501000
3000
und es hängt im Prinzip an der kürzesten Leine der Welt, nicht?
08:36
(LaughterLachen)
210
504000
2000
(Lachen)
08:39
So, this worksWerke really well
211
507000
1000
Das funktioniert also echt gut
08:41
and you can make patternsMuster as well as shapesFormen, OK?
212
509000
2000
und man kann Muster sowie auch Formen bauen, okay?
08:44
And you can make a mapKarte of the AmericasAmericas and spellZauber DNADNA with DNADNA.
213
512000
3000
Und man kann eine Karte von Amerika erstellen und DNA mit DNA buchstabieren.
08:47
And what's really neatordentlich about it --
214
515000
3000
Und hier ist was Tolles...
08:50
well, actuallytatsächlich, this all lookssieht aus like nano-artworkNano-Kunstwerk,
215
518000
2000
also das sieht alles ein bisschen nach Nano-Kunst aus,
08:52
but it turnswendet sich out that nano-artworkNano-Kunstwerk
216
520000
1000
aber diese Nano-Kunst stellt sich als Grundlage
08:53
is just what you need to make nano-circuitsNano-Schaltkreise.
217
521000
2000
für das Erstellen von Nano-Schaltkreisen heraus.
08:55
So, you can put circuitSchaltung componentsKomponenten on the staplesHeftklammern,
218
523000
2000
Also kann man Schaltkreiskomponenten auf die Krampen setzen,
08:57
like a lightLicht bulbBirne and a lightLicht switchSchalter.
219
525000
2000
wie eine Glühbirne und einen Schalter.
08:59
Let the thing assemblemontieren, and you'lldu wirst get some kindArt of a circuitSchaltung.
220
527000
3000
Dann wartet man, bis es fertig ist, und bekommt eine Art Schaltkreis.
09:02
And then you can maybe washwaschen the DNADNA away and have the circuitSchaltung left over.
221
530000
3000
Und dann kann man vielleicht die DNA wegspülen und hat nur den Schaltkreis.
09:05
So, this is what some colleaguesKollegen of mineBergwerk at CaltechCaltech did.
222
533000
2000
Das haben also Kollegen von mir am Caltech getan.
09:07
They tookdauerte a DNADNA origamiOrigami, organizedorganisiert some carbonKohlenstoff nano-tubesNano-Röhren,
223
535000
3000
Sie nahmen ein DNA-Origami, organisierten ein paar Nano-Röhrchen aus Kohlefasern
09:10
madegemacht a little switchSchalter, you see here, wiredverdrahtet it up,
224
538000
2000
und schlossen hier einen Schalter an,
09:12
testedgeprüft it and showedzeigte that it is indeedtatsächlich a switchSchalter.
225
540000
3000
testeten es und bewiesen, dass es wirklich ein Schalter ist.
09:15
Now, this is just a singleSingle switchSchalter
226
543000
2000
Das ist nur ein einzelner Schalter.
09:17
and you need halfHälfte a billionMilliarde for a computerComputer, so we have a long way to go.
227
545000
4000
Für einen Computer braucht man eine halbe Milliarde, es ist also noch ein weiter Weg.
09:21
But this is very promisingvielversprechend
228
549000
2000
Aber es sieht sehr vielversprechend aus,
09:23
because the origamiOrigami can organizeorganisieren partsTeile just one-tenthein Zehntel the sizeGröße
229
551000
5000
denn das Origami kann Teile von einem Zehntel der Größe
09:28
of those in a normalnormal computerComputer.
230
556000
1000
von denen in einem normalen Computer bauen.
09:29
So it's very promisingvielversprechend for makingHerstellung smallklein computersComputer.
231
557000
3000
Das sieht also sehr gut aus für den Bau kleiner Computer.
09:32
Now, I want to get back to that compilerCompiler.
232
560000
3000
Kehren wir jetzt zu dem Compiler zurück.
09:35
The DNADNA origamiOrigami is a proofBeweis that that compilerCompiler actuallytatsächlich worksWerke.
233
563000
3000
Das DNA-Origami ist ein Beweis, dass der Compiler funktioniert.
09:39
So, you startAnfang with something in the computerComputer.
234
567000
2000
Man beginnt also mit etwas im Computer.
09:41
You get a high-levelhohes Level descriptionBeschreibung of the computerComputer programProgramm,
235
569000
3000
Man bekommt eine abstrakte Beschreibung des Programms,
09:44
a high-levelhohes Level descriptionBeschreibung of the origamiOrigami.
236
572000
2000
eine abstrakte Beschreibung des Origamis.
09:46
You can compileKompilieren it to moleculesMoleküle, sendsenden it to a synthesizerSynthesizer,
237
574000
3000
Man kann es zu Molekülen zusammensetzen und dann an einen Synthesizer schicken,
09:49
and it actuallytatsächlich worksWerke.
238
577000
1000
und es funktioniert wirklich.
09:50
And it turnswendet sich out that a companyUnternehmen has madegemacht a nicenett programProgramm
239
578000
4000
Und jetzt hat eine Firma sogar ein nettes Programm gemacht.
09:54
that's much better than my codeCode, whichwelche was kindArt of uglyhässlich,
240
582000
2000
Es ist viel besser als mein Code, der war etwas hässlich,
09:56
and will allowzulassen us to do this in a nicenett,
241
584000
1000
und so können wir das auf eine schöne,
09:57
visualvisuell, computer-aidedComputer aided designEntwurf way.
242
585000
2000
visuelle und computerunterstützte Art entwerfen.
10:00
So, now you can say, all right,
243
588000
1000
Natürlich könnte man jetzt sagen,
10:01
why isn't DNADNA origamiOrigami the endEnde of the storyGeschichte?
244
589000
2000
wieso ist denn DNA-Origami nicht das Ende der Geschichte?
10:03
You have your molecularmolekular compilerCompiler, you can do whateverwas auch immer you want.
245
591000
2000
Hier haben wir den molekularen Compiler, damit können wir tun, was wir wollen.
10:05
The factTatsache is that it does not scaleRahmen.
246
593000
3000
Man kann es aber nicht skalieren.
10:08
So if you want to buildbauen a humanMensch from DNADNA origamiOrigami,
247
596000
3000
Wenn man also aus DNA-Origami einen Menschen bauen will,
10:11
the problemProblem is, you need a long strandStrang
248
599000
2000
braucht man einen langen Strang,
10:13
that's 10 trillionBillion trillionBillion basesBasen long.
249
601000
3000
der 10 Billionen Billionen Basen lang ist.
10:16
That's threedrei lightLicht years'Jahre' worthwert of DNADNA,
250
604000
2000
Das sind drei Lichtjahre DNA,
10:18
so we're not going to do this.
251
606000
2000
daraus wird also nichts.
10:20
We're going to turnWende to anotherein anderer technologyTechnologie,
252
608000
2000
Und so wenden wir uns einer anderen Technologie zu,
10:22
callednamens algorithmicalgorithmische self-assemblySelbstmontage of tilesFliesen.
253
610000
2000
die wir algorithmische Selbstassemblierung der Bausteine nennen.
10:24
It was startedhat angefangen by ErikErik WinfreeWinfree,
254
612000
2000
Sie wurde von Erik Winfree initiiert,
10:26
and what it does,
255
614000
1000
und diese Methode kann
10:27
it has tilesFliesen that are a hundredthHundertstel the sizeGröße of a DNADNA origamiOrigami.
256
615000
4000
Bausteine von einem Hundertstel der Größe eines DNA-Origami verarbeiten.
10:31
You zoomZoomen in, there are just fourvier DNADNA strandsStränge
257
619000
2000
Man zoomt rein, es gibt nur vier DNA-Stränge,
10:34
and they have little single-strandedeinsträngiger bitsBits on them
258
622000
2000
und auf ihnen sitzen einzelne Teilstränge,
10:36
that can bindbinden to other tilesFliesen, if they matchSpiel.
259
624000
2000
die sich an andere Bausteine heften können, wenn sie passen.
10:38
And we like to drawzeichnen these tilesFliesen as little squaresPlätze.
260
626000
3000
Und diese Bausteine stellen wir gern als kleine Quadrate dar.
10:42
And if you look at theirihr stickyklebrig endsendet, these little DNADNA bitsBits,
261
630000
2000
Wenn man sich ihre klebrigen Enden ansieht, diese DNA-Stückchen,
10:44
you can see that they actuallytatsächlich formbilden a checkerboardSchachbrett patternMuster.
262
632000
3000
dann sieht man, dass sie ein Schachbrettmuster bilden.
10:47
So, these tilesFliesen would make a complicatedkompliziert, self-assemblingselbstmontierend checkerboardSchachbrett.
263
635000
3000
Also wird aus ihnen ein kompliziertes, sich selbst montierendes Schachbrett.
10:50
And the pointPunkt of this, if you didn't catchFang that,
264
638000
2000
Und der springende Punkt daran ist, falls das jemand verpasst hat,
10:52
is that tilesFliesen are a kindArt of molecularmolekular programProgramm
265
640000
3000
dass die Bausteine eine Art molekulares Programm sind,
10:55
and they can outputAusgabe patternsMuster.
266
643000
3000
die Muster ausgeben können.
10:58
And a really amazingtolle partTeil of this is
267
646000
2000
Und ein faszinierender Aspekt daran ist,
11:00
that any computerComputer programProgramm can be translatedübersetzt
268
648000
2000
dass ein jedes Computerprogramm in eines dieser
11:02
into one of these tileFliese programsProgramme -- specificallyspeziell, countingZählen.
269
650000
3000
Bausteinprogramme übersetzt werden kann, besonders Zähler.
11:05
So, you can come up with a setSet of tilesFliesen
270
653000
3000
Man kann also einen Satz Bausteine vorbereiten,
11:08
that when they come togetherzusammen, formbilden a little binarybinär counterZähler
271
656000
3000
die bei ihrer Verbindung einen kleinen binären Zähler formen,
11:11
ratherlieber than a checkerboardSchachbrett.
272
659000
2000
und kein Schachbrett.
11:13
So you can readlesen off binarybinär numbersNummern fivefünf, sixsechs and sevenSieben.
273
661000
3000
Man kann die Binärzahlen fünf, sechs und sieben ablesen.
11:16
And in orderAuftrag to get these kindsArten of computationsBerechnungen startedhat angefangen right,
274
664000
3000
Und um diese Berechnungen auf den richtigen Weg zu bringen,
11:19
you need some kindArt of inputEingang, a kindArt of seedSamen.
275
667000
2000
braucht man eine Art Input, einen Samen sozusagen.
11:21
You can use DNADNA origamiOrigami for that.
276
669000
2000
Dafür kann man DNA-Origami verwenden.
11:23
You can encodeCodieren the numberNummer 32
277
671000
2000
Man kann die Zahl 32
11:25
in the right-handrechte Hand sideSeite of a DNADNA origamiOrigami,
278
673000
2000
auf die rechte Seite eines DNA-Origami kodieren,
11:27
and when you addhinzufügen those tilesFliesen that countGraf,
279
675000
2000
und wenn man diese zählenden Bausteine hinzufügt,
11:29
they will startAnfang to countGraf -- they will readlesen that 32
280
677000
3000
dann beginnen sie zu zählen – sie erkennen die 32
11:32
and they'llsie werden stop at 32.
281
680000
2000
und hören bei 32 auf.
11:34
So, what we'vewir haben doneerledigt is we'vewir haben figuredabgebildet out a way
282
682000
3000
Wir haben also eine Methode gefunden,
11:37
to have a molecularmolekular programProgramm know when to stop going.
283
685000
3000
ein molekulares Programm zum wissentlichen Aufhören zu bringen.
11:40
It knowsweiß when to stop growingwachsend because it can countGraf.
284
688000
2000
Es weiß, wann es nicht mehr weiterwachsen soll, weil es zählen kann.
11:42
It knowsweiß how biggroß it is.
285
690000
2000
Es weiß, wie groß es ist.
11:44
So, that answersAntworten that sortSortieren of first questionFrage I was talkingim Gespräch about.
286
692000
3000
Das beantwortet also die erste Frage, die ich vorhin erwähnte.
11:47
It doesn't tell us how babiesBabys do it, howeveraber.
287
695000
3000
Es sagt uns aber nicht, wie Babies das hinkriegen.
11:50
So now, we can use this countingZählen to try and get at much biggergrößer things
288
698000
4000
Jetzt können wir versuchen, mit diesem Zählen größere Dinge zu erreichen,
11:54
than DNADNA origamiOrigami could otherwiseAndernfalls.
289
702000
1000
die DNA-Origami normalerweise nicht kann.
11:55
Here'sHier ist the DNADNA origamiOrigami, and what we can do
290
703000
3000
Hier ist das DNA-Origami, und wir können eins tun,
11:58
is we can writeschreiben 32 on bothbeide edgesKanten of the DNADNA origamiOrigami,
291
706000
3000
wir schreiben 32 auf beide Seiten des DNA-Origami,
12:01
and we can now use our wateringBewässerung can
292
709000
2000
und können nun unsere Gießkanne verwenden
12:03
and waterWasser with tilesFliesen, and we can startAnfang growingwachsend tilesFliesen off of that
293
711000
4000
und mit Bausteinen gießen, und daraus wachsen dann Bausteine
12:07
and createerstellen a squarePlatz.
294
715000
2000
und formen ein Quadrat.
12:09
The counterZähler servesdient as a templateVorlage
295
717000
3000
Der Zähler dient als Vorlage,
12:12
to fillfüllen in a squarePlatz in the middleMitte of this thing.
296
720000
2000
der einen Baustein in der Mitte ausfüllen soll.
12:14
So, what we'vewir haben doneerledigt is we'vewir haben succeededErfolgreich
297
722000
1000
Uns ist es also gelungen,
12:15
in makingHerstellung something much biggergrößer than a DNADNA origamiOrigami
298
723000
3000
etwas viel größeres als DNA-Origami zu erschaffen,
12:18
by combiningKombination DNADNA origamiOrigami with tilesFliesen.
299
726000
3000
indem wir DNA-Origami und Bausteine verbunden haben.
12:21
And the neatordentlich thing about it is, is that it's alsoebenfalls reprogrammableprogrammierbar.
300
729000
3000
Und das Tolle daran ist, man kann es umprogrammieren.
12:24
You can just changeVeränderung a couplePaar of the DNADNA strandsStränge in this binarybinär representationDarstellung
301
732000
4000
Man kann einfach ein paar DNA-Stränge in der binären Darstellung ändern
12:28
and you'lldu wirst get 96 ratherlieber than 32.
302
736000
3000
und bekommt 96 anstatt 32.
12:31
And if you do that, the origami'sOrigami the samegleich sizeGröße,
303
739000
3000
Und wenn man das tut, hat das Origami dieselbe Größe,
12:34
but the resultingresultierenden squarePlatz that you get is threedrei timesmal biggergrößer.
304
742000
4000
aber unser Quadrat ist am Ende dreimal so groß.
12:39
So, this sortSortieren of recapitulatesrekapituliert
305
747000
1000
Das fasst also zusammen,
12:40
what I was tellingErzählen you about developmentEntwicklung.
306
748000
2000
was ich vorhin über Entwicklung erzählte.
12:42
You have a very sensitiveempfindlich computerComputer programProgramm
307
750000
3000
Wir haben ein sehr sensibles Computerprogramm,
12:45
where smallklein changesÄnderungen -- singleSingle, tinysehr klein, little mutationsMutationen --
308
753000
3000
wo kleine Änderungen – winzige, einzelne Mutationen –
12:48
can take something that madegemacht one sizeGröße squarePlatz
309
756000
2000
etwas nehmen, das ein Quadrat einer Größe schuf,
12:50
and make something very much biggergrößer.
310
758000
3000
und daraus etwas viel Größeres machen.
12:54
Now, this -- usingmit countingZählen to computeberechnen
311
762000
3000
Und das – die Verwendung von Zählern zur Berechnung
12:57
and buildbauen these kindsArten of things
312
765000
2000
und zum Bau dieser Dinge
12:59
by this kindArt of developmentalEntwicklungsbiologie processverarbeiten
313
767000
2000
durch diese Art Entwicklungsprozess
13:01
is something that alsoebenfalls has bearingLager on CraigCraig Venter'sDie Venter questionFrage.
314
769000
4000
ist etwas, das sich auch auf Craig Venters Frage auswirkt.
13:05
So, you can askFragen, how manyviele DNADNA strandsStränge are requirederforderlich
315
773000
2000
Also kann man fragen: "Wie viele DNA-Stränge braucht man,
13:07
to buildbauen a squarePlatz of a givengegeben sizeGröße?
316
775000
2000
um ein Quadrat einer bestimmten Größe zu bauen?"
13:09
If we wanted to make a squarePlatz of sizeGröße 10, 100 or 1,000,
317
777000
5000
Wenn wir ein Quadrat der Größe 10, 100 oder 1.000 machen wollten,
13:14
if we used DNADNA origamiOrigami aloneallein,
318
782000
2000
wenn wir nur DNA-Origami dazu verwendeten,
13:16
we would requireerfordern a numberNummer of DNADNA strandsStränge that's the squarePlatz
319
784000
3000
dann entspräche die benötigte Anzahl der DNA-Stränge der
13:19
of the sizeGröße of that squarePlatz;
320
787000
2000
Größe des Quadrats im Quadrat:
13:21
so we'dheiraten need 100, 10,000 or a millionMillion DNADNA strandsStränge.
321
789000
2000
Wir brauchten also 100, 10.000 oder eine Million DNA-Stränge.
13:23
That's really not affordableerschwinglich.
322
791000
2000
Das können wir uns nicht so recht leisten.
13:25
But if we use a little computationBerechnung --
323
793000
2000
Aber wenn wir unsere Berechnungen nehmen –
13:27
we use origamiOrigami, plusPlus some tilesFliesen that countGraf --
324
795000
4000
wir nehmen Origami, und ein paar zählende Bausteine –
13:31
then we can get away with usingmit 100, 200 or 300 DNADNA strandsStränge.
325
799000
3000
dann geht das auch mit 100, 200 oder 300 DNA-Strängen.
13:34
And so we can exponentiallyexponentiell reducereduzieren the numberNummer of DNADNA strandsStränge we use,
326
802000
5000
Und so können wir die Zahl der verwendeten DNA-Stränge
13:39
if we use countingZählen, if we use a little bitBit of computationBerechnung.
327
807000
3000
mit nur ein bisschen Zählen und Berechnung exponentiell verringern.
13:42
And so computationBerechnung is some very powerfulmächtig way
328
810000
3000
Berechnung ist also eine sehr effektive Art,
13:45
to reducereduzieren the numberNummer of moleculesMoleküle you need to buildbauen something,
329
813000
3000
die Anzahl der zum Bau benötigten Moleküle zu reduzieren
13:48
to reducereduzieren the sizeGröße of the genomeGenom that you're buildingGebäude.
330
816000
3000
und die Größe des zu bauenden Genoms zu reduzieren.
13:51
And finallyendlich, I'm going to get back to that sortSortieren of crazyverrückt ideaIdee
331
819000
3000
Und schließlich komme ich zu der verrückten Idee zurück,
13:54
about computersComputer buildingGebäude computersComputer.
332
822000
2000
dass Computer Computer bauen.
13:56
If you look at the squarePlatz that you buildbauen with the origamiOrigami
333
824000
3000
Schauen Sie sich das Quadrat an, das wir mit dem Origami gebaut haben,
13:59
and some countersZähler growingwachsend off it,
334
827000
2000
und die Zähler, die aus ihm wachsen,
14:01
the patternMuster that it has is exactlygenau the patternMuster that you need
335
829000
3000
sein Muster ist exakt das Muster, das wir brauchen,
14:04
to make a memoryErinnerung.
336
832000
1000
um einen Speicher zu erschaffen.
14:05
So if you affixAffix some wiresDrähte and switchesSchalter to those tilesFliesen --
337
833000
3000
Befestigen wir also ein paar Drähte und Schalter an den Bausteinen –
14:08
ratherlieber than to the stapleKlammer strandsStränge, you affixAffix them to the tilesFliesen --
338
836000
3000
wir heften sie also nicht an die Stränge, sondern an die Bausteine –
14:11
then they'llsie werden self-assembleselbst zusammenbauen the somewhatetwas complicatedkompliziert circuitsSchaltungen,
339
839000
3000
dann bauen sie die komplizierteren Schaltkreise selbst zusammen,
14:14
the demultiplexerDemultiplexer circuitsSchaltungen, that you need to addressAdresse this memoryErinnerung.
340
842000
3000
die Demultiplexer-Schaltkreise, die wir für diesen Speicher brauchen.
14:17
So you can actuallytatsächlich make a complicatedkompliziert circuitSchaltung
341
845000
2000
Also können wir einen komplizierten Schaltkreis schaffen,
14:19
usingmit a little bitBit of computationBerechnung.
342
847000
2000
indem wir nur ein bisschen Berechnung verwenden.
14:21
It's a molecularmolekular computerComputer buildingGebäude an electronicelektronisch computerComputer.
343
849000
3000
Es ist ein molekularer Computer, der einen elektronischen baut.
14:24
Now, you askFragen me, how farweit have we gottenbekommen down this pathPfad?
344
852000
3000
Und jetzt fragt ihr: "Wie weit sind wir auf dieser Straße?"
14:27
ExperimentallyExperimentell, this is what we'vewir haben doneerledigt in the last yearJahr.
345
855000
3000
Experimentell haben wir das im vergangenen Jahr getan.
14:30
Here is a DNADNA origamiOrigami rectangleRechteck,
346
858000
2000
Hier ist ein Rechteck aus DNA-Origami,
14:33
and here are some tilesFliesen growingwachsend from it.
347
861000
2000
und hier wachsen ein paar Bausteine daraus.
14:35
And you can see how they countGraf.
348
863000
2000
Und man kann sehen, wie sie zählen.
14:37
One, two, threedrei, fourvier, fivefünf, sixsechs, nineneun, 10, 11, 12, 17.
349
865000
12000
Eins, zwei, drei, vier, fünf, sechs, neun, zehn, elf, zwölf, siebzehn.
14:49
So it's got some errorsFehler, but at leastam wenigsten it countszählt up.
350
877000
4000
Da sind ein paar Fehler drin, aber wenigstens zählt es in eine Richtung.
14:53
(LaughterLachen)
351
881000
1000
(Lachen)
14:54
So, it turnswendet sich out we actuallytatsächlich had this ideaIdee nineneun yearsJahre agovor,
352
882000
3000
Diese Idee hatten wir vor neun Jahren,
14:57
and that's about the time constantKonstante for how long it takes
353
885000
3000
und das ist die ungefähre Zeitkonstante, die wir zum Erreichen
15:00
to do these kindsArten of things, so I think we madegemacht a lot of progressFortschritt.
354
888000
2000
dieser Dinge benötigen. Ich würde sagen, wir haben viel geschafft.
15:02
We'veWir haben got ideasIdeen about how to fixFix these errorsFehler.
355
890000
2000
Wir haben ein paar Ideen, wie wir diese Fehler lösen,
15:04
And I think in the nextNächster fivefünf or 10 yearsJahre,
356
892000
2000
Und ich glaube, dass wir in den nächsten 5 bis 10 Jahren
15:06
we'llGut make the kindArt of squaresPlätze that I describedbeschrieben
357
894000
2000
die Quadrate herstellen können, die ich beschrieben habe,
15:08
and maybe even get to some of those self-assembledselbst montiert circuitsSchaltungen.
358
896000
3000
und vielleicht sogar ein paar der selbstmontierten Schaltkreise.
15:11
So now, what do I want you to take away from this talk?
359
899000
4000
Was möchte ich euch allen aus diesem Vortrag mitgeben?
15:15
I want you to remembermerken that
360
903000
2000
Ich möchte, dass ihr euch bewusst seid,
15:17
to createerstellen life'sdas Leben very diversevielfältig and complexKomplex formsFormen,
361
905000
4000
dass das Leben, um seine sehr diversen und komplexen
15:21
life usesVerwendungen computationBerechnung to do that.
362
909000
2000
Formen zu erschaffen, Berechnung verwendet.
15:23
And the computationsBerechnungen that it usesVerwendungen, they're molecularmolekular computationsBerechnungen,
363
911000
4000
Und die verwendeten Berechnungen sind molekular,
15:27
and in orderAuftrag to understandverstehen this and get a better handleGriff on it,
364
915000
2000
und um das zu verstehen und es besser in den Griff zu bekommen,
15:29
as FeynmanFeynman said, you know,
365
917000
2000
wie Feynman sagte,
15:31
we need to buildbauen something to understandverstehen it.
366
919000
2000
müssen wir etwas bauen, um es zu verstehen.
15:33
And so we are going to use moleculesMoleküle and refashionRefashion this thing,
367
921000
4000
Also werden wir Moleküle nehmen und das alles umbauen,
15:37
rebuildumbauen everything from the bottomBoden up,
368
925000
2000
es von Grund auf zu erbauen,
15:39
usingmit DNADNA in waysWege that natureNatur never intendedbeabsichtigt,
369
927000
3000
indem wir DNA so verwenden, wie die Natur es nie beabsichtigte,
15:42
usingmit DNADNA origamiOrigami,
370
930000
2000
indem wir DNA-Origami verwenden,
15:44
and DNADNA origamiOrigami to seedSamen this algorithmicalgorithmische self-assemblySelbstmontage.
371
932000
3000
und das soll diese algorithmische Selbstassemblierung begründen.
15:47
You know, so this is all very coolcool,
372
935000
2000
Und das ist alles schon ziemlich cool,
15:50
but what I'd like you to take from the talk,
373
938000
1000
aber was ihr aus diesem Vortrag mitnehmen solltet,
15:51
hopefullyhoffentlich from some of those biggroß questionsFragen,
374
939000
2000
vielleicht aus einer dieser großen Fragen,
15:53
is that this molecularmolekular programmingProgrammierung isn't just about makingHerstellung gadgetsGadgets.
375
941000
3000
ist dass sich die molekulare Programmierung nicht ums Erschaffen von Spielereien dreht.
15:56
It's not just makingHerstellung about --
376
944000
2000
Es geht nicht nur um –
15:58
it's makingHerstellung self-assembledselbst montiert cellZelle phonesTelefone and circuitsSchaltungen.
377
946000
2000
es geht nicht um selbstmontierte Handys und Schaltkreise.
16:00
What it's really about is takingunter computerComputer scienceWissenschaft
378
948000
2000
Es geht aber darum, mithilfe der Informatik
16:02
and looking at biggroß questionsFragen in a newneu lightLicht,
379
950000
3000
große Fragen in einem neuen Licht zu betrachten,
16:05
askingfragen newneu versionsVersionen of those biggroß questionsFragen
380
953000
2000
neue Versionen dieser großen Fragen zu stellen
16:07
and tryingversuchen to understandverstehen how biologyBiologie
381
955000
2000
und zu verstehen, wie die Biologie
16:09
can make sucheine solche amazingtolle things. Thank you.
382
957000
2000
solche faszinierenden Dinge schaffen kann. Danke.
16:12
(ApplauseApplaus)
383
960000
7000
(Applaus)
Translated by Judith Matz
Reviewed by Johannes Lechner

▲Back to top

ABOUT THE SPEAKER
Paul Rothemund - DNA origamist
Paul Rothemund folds DNA into shapes and patterns. Which is a simple enough thing to say, but the process he has developed has vast implications for computing and manufacturing -- allowing us to create things we can now only dream of.

Why you should listen

Paul Rothemund won a MacArthur grant this year for a fairly mystifying study area: "folding DNA." It brings up the question: Why fold DNA? The answer is -- because the power to manipulate DNA in this way could change the way we make things at a very basic level.

Rothemund's work combines the study of self-assembly (watch the TEDTalks from Neil Gershenfeld and Saul Griffith for more on this) with the research being done in DNA nanotechnology -- and points the way toward self-assembling devices at microscale, making computer memory, for instance, smaller, faster and maybe even cheaper.

More profile about the speaker
Paul Rothemund | Speaker | TED.com