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 habla en detalle sobre plegamiento de ADN

Filmed:
752,456 views

En 2007, Paul rothemund le dio a TED un breve resumen de su especialidad, plegar ADN. Ahora lo deja claro, habla en detalle de la inmensa promesa de su campo -- crear pequeñas máquinas que se ensamblan a sí mismas.
- 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 arguediscutir vigorouslyvigorosamente about the definitiondefinición of life.
0
0
3000
Hay una discusión acalorada entre la gente sobre la definición de la vida.
00:15
They askpedir if it should have reproductionreproducción in it, or metabolismmetabolismo, or evolutionevolución.
1
3000
5000
Se preguntan si debería incluir la reproducción, o el metabolismo, o la evolución.
00:20
And I don't know the answerresponder to that, so I'm not going to tell you.
2
8000
2000
Y no sé la respuesta a esto, así que no se los diré.
00:22
I will say that life involvesinvolucra computationcálculo.
3
10000
3000
Diré que la vida implica computación.
00:25
So this is a computercomputadora programprograma.
4
13000
2000
Esto es un programa de computadora.
00:27
BootedBooted up in a cellcelda, the programprograma would executeejecutar,
5
15000
3000
Arrancado en una célula, el programa se ejecutaría
00:30
and it could resultresultado in this personpersona;
6
18000
3000
y podría resultar en esta persona
00:33
or with a smallpequeña changecambio, it could resultresultado in this personpersona;
7
21000
3000
o con un pequeño cambio, en esta persona
00:36
or anotherotro smallpequeña changecambio, this personpersona;
8
24000
2000
-otro pequeño cambio- esta persona,
00:38
or with a largermás grande changecambio, this dogperro,
9
26000
3000
o un cambio más grande, este perro
00:41
or this treeárbol, or this whaleballena.
10
29000
2000
o este árbol, o esta ballena.
00:43
So now, if you take this metaphormetáfora
11
31000
2000
Entonces, si tomas en serio esta metáfora
00:45
[of] genomegenoma as programprograma seriouslyseriamente,
12
33000
2000
el genoma es un programa,
00:47
you have to considerconsiderar that ChrisChris AndersonAnderson
13
35000
2000
debes considerar que Chris Anderson
00:49
is a computer-fabricatedfabricado por computadora artifactartefacto, as is JimJim WatsonWatson,
14
37000
3000
es un artefacto fabricado por computadora, como lo es Jim Watson,
00:52
CraigCraig VenterVenter, as are all of us.
15
40000
3000
Craig Venter, y como todos nosotros.
00:55
And in convincingConvincente yourselftú mismo that this metaphormetáfora is truecierto,
16
43000
2000
Y al convencerte a ti mismo de que esta metáfora es cierta,
00:57
there are lots of similaritiessimilitudes betweenEntre geneticgenético programsprogramas
17
45000
2000
hay muchas similitudes entre los programas genéticos
00:59
and computercomputadora programsprogramas that could help to convinceconvencer you.
18
47000
3000
y los programas de computadora que podrían ayudar a convencerte.
01:02
But one, to me, that's mostmás compellingirresistible
19
50000
2000
Pero uno que para mi es el más convincente
01:04
is the peculiarpeculiar sensitivitysensibilidad to smallpequeña changescambios
20
52000
3000
es la particular sensibilidad a pequeños cambios
01:07
that can make largegrande changescambios in biologicalbiológico developmentdesarrollo -- the outputsalida.
21
55000
3000
que pueden causar cambios grandes al producir desarrollo biológico.
01:10
A smallpequeña mutationmutación can take a two-wingdos alas flymosca
22
58000
2000
Una pequeña mutación puede tomar una mosca de dos alas
01:12
and make it a four-wingcuatro alas flymosca.
23
60000
1000
y convertirla en una mosca de cuatro alas.
01:13
Or it could take a flymosca and put legspiernas where its antennaeantenas should be.
24
61000
4000
O podría tomar una mosca y ponerle patas donde deberían estar sus antenas.
01:17
Or if you're familiarfamiliar with "The PrincessPrincesa BrideNovia,"
25
65000
2000
O si están familiarizados con "La Princesa Prometida,"
01:19
it could createcrear a six-fingeredseis dedos man.
26
67000
2000
podría crear un hombre con seis dedos.
01:21
Now, a hallmarkcontraste of computercomputadora programsprogramas
27
69000
2000
Ahora, algo distintivo de los programas de computadora
01:23
is just this kindtipo of sensitivitysensibilidad to smallpequeña changescambios.
28
71000
3000
es justamente este tipo de sensibilidad a pequeños cambios.
01:26
If your bankbanco account'scuenta one dollardólar, and you flipdar la vuelta a singlesoltero bitpoco,
29
74000
2000
Si tu cuenta bancaria tiene un dolar y cambias un solo bit,
01:28
you could endfin up with a thousandmil dollarsdólares.
30
76000
2000
podrías terminar con mil dólares.
01:30
So these smallpequeña changescambios are things that I think
31
78000
3000
Estos cambios pequeños son cosas que pienso que
01:33
that -- they indicateindicar to us that a complicatedComplicado computationcálculo
32
81000
2000
nos indican que hay una complicada computación
01:35
in developmentdesarrollo is underlyingsubyacente these amplifiedamplificado, largegrande changescambios.
33
83000
4000
en desarrollo por debajo de estos cambios grandes amplificados.
01:39
So now, all of this indicatesindica that there are molecularmolecular programsprogramas underlyingsubyacente biologybiología,
34
87000
6000
Entonces, todo esto indica que hay programas moleculares por debajo de la biología,
01:45
and it showsmuestra the powerpoder of molecularmolecular programsprogramas -- biologybiología does.
35
93000
4000
y esto muestra el poder de los programas moleculares, que la biología hace.
01:49
And what I want to do is writeescribir molecularmolecular programsprogramas,
36
97000
2000
Y lo que quiero hacer es escribir programas moleculares,
01:51
potentiallypotencialmente to buildconstruir technologytecnología.
37
99000
2000
para, potencialmente, desarrollar tecnología.
01:53
And there are a lot of people doing this,
38
101000
1000
Y hay mucha gente haciendo esto,
01:54
a lot of syntheticsintético biologistsbiólogos doing this, like CraigCraig VenterVenter.
39
102000
3000
muchos biólogos sintéticos haciendo esto como Craig Venter
01:57
And they concentrateconcentrado on usingutilizando cellsCélulas.
40
105000
2000
y se concentran en usar células.
01:59
They're cell-orientedorientado a celdas.
41
107000
2000
Están enfocados en las células.
02:01
So my friendsamigos, molecularmolecular programmersprogramadores, and I
42
109000
2000
Entonces, amigos, los programadors moleculares y yo,
02:03
have a sortordenar of biomolecule-centriccentrado en biomoléculas approachenfoque.
43
111000
2000
tenemos un enfoque centrado en las biomoléculas.
02:05
We're interestedinteresado in usingutilizando DNAADN, RNARNA and proteinproteína,
44
113000
3000
Nos interesa usar ADN, ARN y proteínas
02:08
and buildingedificio newnuevo languagesidiomas for buildingedificio things from the bottomfondo up,
45
116000
3000
y construir nuevos lenguajes para construir cosas desde cero,
02:11
usingutilizando biomoleculesbiomoléculas,
46
119000
1000
usando biomoléculas,
02:12
potentiallypotencialmente havingteniendo nothing to do with biologybiología.
47
120000
3000
potencialmente teniendo nada que ver con la biología.
02:15
So, these are all the machinesmáquinas in a cellcelda.
48
123000
4000
Entonces, éstas son todas las máquinas en una célula.
02:19
There's a cameracámara.
49
127000
2000
Ahí hay una cámara.
02:21
There's the solarsolar panelspaneles of the cellcelda,
50
129000
1000
Ahí los paneles solares de la célula,
02:22
some switchesinterruptores that turngiro your genesgenes on and off,
51
130000
2000
algunos interruptors que encienden y apagan sus genes,
02:24
the girdersvigas of the cellcelda, motorsmotores that movemovimiento your musclesmúsculos.
52
132000
3000
las vigas de la célula, motores que mueven sus músculos.
02:27
My little groupgrupo of molecularmolecular programmersprogramadores
53
135000
2000
Mi pequeño grupo de programadores moleculares
02:29
are tryingmolesto to refashionrehacer all of these partspartes from DNAADN.
54
137000
4000
están intentando rehacer todas estas partes de ADN.
02:33
We're not DNAADN zealotsfanáticos, but DNAADN is the cheapestmás barato,
55
141000
2000
No somos fanáticos del ADN, pero el ADN es el material más barato,
02:35
easiestmás fácil to understandentender and easyfácil to programprograma materialmaterial to do this.
56
143000
3000
más fácil de comprender y fácil de programar con el que podemos hacerlo.
02:38
And as other things becomevolverse easiermás fácil to use --
57
146000
2000
Y mientras otras cosas se vuelven más fáciles de usar
02:40
maybe proteinproteína -- we'llbien work with those.
58
148000
3000
-tal vez proteínas- trabajaremos con esos.
02:43
If we succeedtener éxito, what will molecularmolecular programmingprogramación look like?
59
151000
2000
Si tenemos éxito, ¿cómo se verá la programación molecular?
02:45
You're going to sitsentar in frontfrente of your computercomputadora.
60
153000
2000
Te sentarás enfrente de tu computadora.
02:47
You're going to designdiseño something like a cellcelda phoneteléfono,
61
155000
2000
Diseñarás algo como un teléfono celular,
02:49
and in a high-levelnivel alto languageidioma, you'lltu vas a describedescribir that cellcelda phoneteléfono.
62
157000
2000
y en un lenguaje de alto nivel, describirás el teléfono celular.
02:51
Then you're going to have a compilercompilador
63
159000
2000
después necesitarás tener un compilador
02:53
that's going to take that descriptiondescripción
64
161000
1000
que tomará esa descripción
02:54
and it's going to turngiro it into actualreal moleculesmoléculas
65
162000
2000
y lo convertirá en moléculas reales
02:56
that can be sentexpedido to a synthesizersintetizador
66
164000
2000
que pueden enviarse a un sintetizador
02:58
and that synthesizersintetizador will packpaquete those moleculesmoléculas into a seedsemilla.
67
166000
3000
y ese sintetizador las empaquetará en una semilla.
03:01
And what happenssucede if you wateragua and feedalimentar that seedsemilla appropriatelyadecuadamente,
68
169000
3000
Y lo que pasará si riegas y cuidas esa semilla adecuadamente,
03:04
is it will do a developmentalde desarrollo computationcálculo,
69
172000
2000
es que hará "computación del desarrollo",
03:06
a molecularmolecular computationcálculo, and it'llva a buildconstruir an electronicelectrónico computercomputadora.
70
174000
3000
computación molecular, y construirá una computadora electrónica.
03:09
And if I haven'tno tiene revealedrevelado my prejudicesprejuicios alreadyya,
71
177000
2000
Y si no he revelado mis prejuicios todavía,
03:12
I think that life has been about molecularmolecular computersordenadores
72
180000
2000
creo que la vida se ha tratado sobre computadoras moleculares
03:14
buildingedificio electrochemicalelectroquímico computersordenadores,
73
182000
2000
construcción de computadoras electroquímicas
03:16
buildingedificio electronicelectrónico computersordenadores,
74
184000
2000
construcción de computadoras electrónicas
03:18
whichcual togetherjuntos with electrochemicalelectroquímico computersordenadores
75
186000
2000
que junto con las computadoras electroquímicas,
03:20
will buildconstruir newnuevo molecularmolecular computersordenadores,
76
188000
2000
construirán nuevas computadoras moleculares
03:22
whichcual will buildconstruir newnuevo electronicelectrónico computersordenadores, and so forthadelante.
77
190000
3000
que construirán nuevas computadoras electrónicas y así.
03:25
And if you buycomprar all of this,
78
193000
1000
Y si caen en todo esto,
03:26
and you think life is about computationcálculo, as I do,
79
194000
2000
y piensan que la vida se trata de computación, como yo,
03:28
then you look at biggrande questionspreguntas throughmediante the eyesojos of a computercomputadora scientistcientífico.
80
196000
3000
entonces ustedes ven las grandes preguntas como un informático teórico.
03:31
So one biggrande questionpregunta is, how does a babybebé know when to stop growingcreciente?
81
199000
4000
Entonces, una gran pregunta es, ¿cómo sabe un bebé cuándo dejar de crecer?
03:35
And for molecularmolecular programmingprogramación,
82
203000
2000
Y para un programador molecular,
03:37
the questionpregunta is how does your cellcelda phoneteléfono know when to stop growingcreciente?
83
205000
2000
la pregunta es ¿cómo sabe tu celular cuándo dejar de crecer?
03:39
(LaughterRisa)
84
207000
1000
(Risas)
03:40
Or how does a computercomputadora programprograma know when to stop runningcorriendo?
85
208000
3000
O ¿cómo sabe un programa de computadora cuándo dejar de correr?
03:43
Or more to the pointpunto, how do you know if a programprograma will ever stop?
86
211000
3000
O más apropiado, ¿cómo sabes si un programa alguna vez se detendrá?
03:46
There are other questionspreguntas like this, too.
87
214000
2000
Hay otras preguntas como éstas, también.
03:48
One of them is CraigCraig Venter'sVenter questionpregunta.
88
216000
2000
Una de ellas es la pregunta de Craig Venter.
03:50
TurnsVueltas out I think he's actuallyactualmente a computercomputadora scientistcientífico.
89
218000
2000
Resulta que él piensa como un informático teórico.
03:52
He askedpreguntó, how biggrande is the minimalmínimo genomegenoma
90
220000
3000
Preguntó ¿cuán grande es el genoma mínimo
03:55
that will give me a functioningmarcha microorganismmicroorganismo?
91
223000
2000
que me dará un micro-organismo funcional?
03:57
How fewpocos genesgenes can I use?
92
225000
2000
¿Qué tan pocos genes puedo usar?
03:59
This is exactlyexactamente analogousanálogo to the questionpregunta,
93
227000
2000
Esto es exactamente análogo a la pregunta,
04:01
what's the smallestpequeñísimo programprograma I can writeescribir
94
229000
1000
¿cuál es el programa más pequeño que puedo escribir
04:02
that will actacto exactlyexactamente like MicrosoftMicrosoft WordPalabra?
95
230000
2000
que actuará exactamente como Microsoft Word?
04:04
(LaughterRisa)
96
232000
1000
(Risas)
04:05
And just as he's writingescritura, you know, bacteriabacteria that will be smallermenor,
97
233000
4000
Y así como él está escribiendo, saben, bacterias que serán más pequeñas,
04:09
he's writingescritura genomesgenomas that will work,
98
237000
1000
está escribiendo genomas que funcionarán,
04:10
we could writeescribir smallermenor programsprogramas
99
238000
2000
podríamos escribir programas más pequeños
04:12
that would do what MicrosoftMicrosoft WordPalabra does.
100
240000
2000
que harían lo que hace Microsoft Word.
04:14
But for molecularmolecular programmingprogramación, our questionpregunta is,
101
242000
2000
Pero para la programación molecular, nuestra pregunta es,
04:16
how manymuchos moleculesmoléculas do we need to put in that seedsemilla to get a cellcelda phoneteléfono?
102
244000
4000
¿cuántas moléculas necesitamos poner en esa semilla para obtener un teléfono celular?
04:20
What's the smallestpequeñísimo numbernúmero we can get away with?
103
248000
2000
¿cuál es el número más pequeño con el que podemos conseguirlo?
04:22
Now, these are biggrande questionspreguntas in computercomputadora scienceciencia.
104
250000
2000
Ahora, éstas son grandes preguntas en la ciencia de la computación.
04:24
These are all complexitycomplejidad questionspreguntas,
105
252000
2000
Todas estas son preguntas sobre complejidad
04:26
and computercomputadora scienceciencia tellsdice us that these are very harddifícil questionspreguntas.
106
254000
2000
y la ciencia de la computación nos dice que éstas son preguntas muy difíciles.
04:28
AlmostCasi -- manymuchos of them are impossibleimposible.
107
256000
2000
Casi - muchas de ellas son imposibles.
04:30
But for some tasksTareas, we can startcomienzo to answerresponder them.
108
258000
3000
Pero para algunas tareas, podemos empezar a responderlas.
04:33
So, I'm going to startcomienzo askingpreguntando those questionspreguntas
109
261000
1000
Así que empezaré a preguntar esas preguntas
04:34
for the DNAADN structuresestructuras I'm going to talk about nextsiguiente.
110
262000
3000
para las estructuras de ADN de las que hablaré a continuación.
04:37
So, this is normalnormal DNAADN, what you think of as normalnormal DNAADN.
111
265000
3000
Entonces, esto es ADN normal, lo que piensan como ADN normal.
04:40
It's double-strandeddoble cadena, it's a doubledoble helixhélice,
112
268000
2000
Son dos hebras, es una doble hélice,
04:42
has the As, TsTs, CsCs and GsGs that pairpar to holdsostener the strandshebras togetherjuntos.
113
270000
3000
tienes las A, T, C y G que se emparejan para mantener las dos hebras juntas.
04:45
And I'm going to drawdibujar it like this sometimesa veces,
114
273000
2000
Y a veces lo dibujaré así,
04:47
just so I don't scaresusto you.
115
275000
2000
para no asustarles.
04:49
We want to look at individualindividual strandshebras and not think about the doubledoble helixhélice.
116
277000
3000
Queremos ver las hebras individuales y no pensar en la doble hélice.
04:52
When we synthesizesintetizar it, it comesproviene single-strandedmonocatenario,
117
280000
3000
Cuando lo sintetizamos, viene en una hebra,
04:55
so we can take the blueazul strandhebra in one tubetubo
118
283000
3000
así que podemos tomar la hebra azul en un tubo
04:58
and make an orangenaranja strandhebra in the other tubetubo,
119
286000
2000
y hacer una anaranjada en el otro
05:00
and they're floppyflexible when they're single-strandedmonocatenario.
120
288000
2000
y están guangas cuando son de una hebra.
05:02
You mixmezcla them togetherjuntos and they make a rigidrígido doubledoble helixhélice.
121
290000
3000
Las mezclas y hacen una doble hélice rígida.
05:05
Now for the last 25 yearsaños,
122
293000
2000
Durante los últimos 25 años,
05:07
NedNed SeemanSeeman and a bunchmanojo of his descendantsdescendientes
123
295000
2000
Ned Seeman y un grupo de sus descendientes
05:09
have workedtrabajó very harddifícil and madehecho beautifulhermosa three-dimensionaltridimensional structuresestructuras
124
297000
3000
han trabajado muy duro y han hecho unas hermosas estructuras tridimensionales
05:12
usingutilizando this kindtipo of reactionreacción of DNAADN strandshebras comingviniendo togetherjuntos.
125
300000
3000
usando este tipo de reacción de hebras de ADN que se juntan.
05:15
But a lot of theirsu approachesenfoques, thoughaunque elegantelegante, take a long time.
126
303000
3000
Pero muchos de sus enfoques, aunque elegantes, toman mucho tiempo.
05:18
They can take a couplePareja of yearsaños, or it can be difficultdifícil to designdiseño.
127
306000
3000
Pueden tomar un par de años o ser difíciles de diseñar.
05:21
So I camevino up with a newnuevo methodmétodo a couplePareja of yearsaños agohace
128
309000
3000
Así que se me ocurrió un nuevo método hace un par de años
05:24
I call DNAADN origamiorigami
129
312000
1000
lo llamo origami de ADN
05:25
that's so easyfácil you could do it at home in your kitchencocina
130
313000
2000
es tan facil que lo pueden hacer en la cocina de sus casas
05:27
and designdiseño the stuffcosas on a laptopordenador portátil.
131
315000
2000
y diseñarlo en una laptop.
05:29
But to do it, you need a long, singlesoltero strandhebra of DNAADN,
132
317000
3000
Pero para hacerlo, necesitan una hebra individual de ADN,
05:32
whichcual is technicallytécnicamente very difficultdifícil to get.
133
320000
2000
lo que es técnicamente difícil de conseguir.
05:34
So, you can go to a naturalnatural sourcefuente.
134
322000
2000
Así que pueden ir a una fuente natural.
05:36
You can look in this computer-fabricatedfabricado por computadora artifactartefacto,
135
324000
2000
Pueden ver en este artefacto hecho por computadora
05:38
and he's got a double-strandeddoble cadena genomegenoma -- that's no good.
136
326000
2000
y tiene un genoma de doble hebra, eso no es bueno.
05:40
You look in his intestinesintestinos. There are billionsmiles de millones of bacteriabacteria.
137
328000
3000
Si ven en sus intestinos. Hay billones de bacterias.
05:43
They're no good eitherya sea.
138
331000
2000
Tampoco son buenas.
05:45
DoubleDoble strandhebra again, but insidedentro them, they're infectedinfectado with a virusvirus
139
333000
2000
Doble hebra otra vez, pero dentro de ellas, están infectadas con un virus
05:47
that has a nicebonito, long, single-strandedmonocatenario genomegenoma
140
335000
3000
eso es bueno, un genoma largo de una sola hebra
05:50
that we can folddoblez like a piecepieza of paperpapel.
141
338000
2000
que podemos doblar como una pieza de papel,
05:52
And here'saquí está how we do it.
142
340000
1000
y así es como lo hacemos.
05:53
This is partparte of that genomegenoma.
143
341000
1000
Esto es parte de ese genoma.
05:54
We addañadir a bunchmanojo of shortcorto, syntheticsintético DNAsADN that I call staplesgrapas.
144
342000
3000
Agregamos un puñado de ADN sintético corto que llamo "ganchos".
05:57
EachCada one has a left halfmitad that bindsse une the long strandhebra in one placelugar,
145
345000
4000
Cada uno tiene una parte sobrante que une la cadena larga en un punto,
06:01
and a right halfmitad that bindsse une it in a differentdiferente placelugar,
146
349000
3000
y una mitad derecha que la une en un punto distinto
06:04
and bringstrae the long strandhebra togetherjuntos like this.
147
352000
2000
y acerca la cadena larga así.
06:07
The netred actionacción of manymuchos of these on that long strandhebra
148
355000
2000
La acción neta de varios de estos ganchos en la hebra larga
06:09
is to folddoblez it into something like a rectanglerectángulo.
149
357000
2000
es que lo pliega en un tipo de rectángulo.
06:11
Now, we can't actuallyactualmente take a moviepelícula of this processproceso,
150
359000
2000
Ahora, no podemos hacer una película de este proceso,
06:13
but ShawnShawn DouglasDouglas at HarvardHarvard
151
361000
2000
pero Shawn Douglas en Harvard
06:15
has madehecho a nicebonito visualizationvisualización for us
152
363000
2000
nos ha hecho una buena visualización
06:17
that beginscomienza with a long strandhebra and has some shortcorto strandshebras in it.
153
365000
4000
que comienza con una cadena larga y que tiene algunas hebras cortas.
06:21
And what happenssucede is that we mixmezcla these strandshebras togetherjuntos.
154
369000
4000
Y lo que ocurre es que mezclamos estas hebras.
06:25
We heatcalor them up, we addañadir a little bitpoco of saltsal,
155
373000
2000
Las calentamos, agregamos un poco de sal,
06:27
we heatcalor them up to almostcasi boilinghirviendo and coolguay them down,
156
375000
2000
las calentamos hasta casi hervir y las enfriamos,
06:29
and as we coolguay them down,
157
377000
1000
y mientras las enfriamos,
06:30
the shortcorto strandshebras bindenlazar the long strandshebras
158
378000
2000
las cadenas cortas unen las hebras largas
06:32
and startcomienzo to formformar structureestructura.
159
380000
2000
y comienzan a formar una estructura
06:34
And you can see a little bitpoco of doubledoble helixhélice formingformando there.
160
382000
3000
como pueden ver, algunas doble hélices se forman por ahí.
06:38
When you look at DNAADN origamiorigami,
161
386000
2000
Cuando ven al origami de ADN,
06:40
you can see that what it really is,
162
388000
3000
pueden ver que lo que es en realidad,
06:43
even thoughaunque you think it's complicatedComplicado,
163
391000
1000
es, aunque piensen que es complicado,
06:44
is a bunchmanojo of doubledoble heliceshélices that are parallelparalela to eachcada other,
164
392000
3000
un grupo de doble hélices que están paralelas entre sí
06:47
and they're heldretenida togetherjuntos
165
395000
2000
y que se mantienen juntas
06:49
by placeslugares where shortcorto strandshebras go alonga lo largo one helixhélice
166
397000
2000
en puntos donde las cadenas cortas siguen una hélice
06:51
and then jumpsaltar to anotherotro one.
167
399000
2000
y luego saltan a la otra.
06:53
So there's a strandhebra that goesva like this, goesva alonga lo largo one helixhélice and bindsse une --
168
401000
3000
Así que hay una hebra que va así, recorre una hélice y la une...
06:56
it jumpssaltos to anotherotro helixhélice and comesproviene back.
169
404000
2000
salta a otra hélice y regresa,
06:58
That holdssostiene the long strandhebra like this.
170
406000
2000
eso une la hebra larga así.
07:00
Now, to showespectáculo that we could make any shapeforma or patternpatrón
171
408000
3000
Ahora, para mostrarles que podemos hacer cualquier forma o patrón
07:03
that we wanted, I triedintentó to make this shapeforma.
172
411000
2000
que queramos, intenté hacer esta forma.
07:06
I wanted to folddoblez DNAADN into something that goesva up over the eyeojo,
173
414000
2000
Quise doblar el ADN en algo que vaya encima del ojo,
07:08
down the nosenariz, up the nosenariz, around the foreheadfrente,
174
416000
3000
bajo la nariz, sobre la nariz, alrededor de la frente,
07:11
back down and endfin in a little looplazo like this.
175
419000
3000
baja un poco y al final en un bucle como éste.
07:14
And so, I thought, if this could work, anything could work.
176
422000
3000
Así que, pensé que si esto pudiera funcionar, cualquier cosa podría funcionar.
07:17
So I had the computercomputadora programprograma designdiseño the shortcorto staplesgrapas to do this.
177
425000
3000
así que diseñé los ganchos cortos en el programa de computadora,
07:20
I orderedordenado them; they camevino by FedExFedEx.
178
428000
2000
los ordené, llegaron por FedEx.
07:22
I mixedmezclado them up, heatedcalentado them, cooledenfriado them down,
179
430000
2000
Los mezclé, los calenté, los enfrié,
07:24
and I got 50 billionmil millones little smileysmiley facescaras
180
432000
4000
y obtuve 50 billones de pequeñas caritas sonrientes
07:28
floatingflotante around in a singlesoltero dropsoltar of wateragua.
181
436000
2000
flotando en una gota de agua.
07:30
And eachcada one of these is just
182
438000
2000
Y cada una de éstas es sólo
07:32
one-thousandthuna milésima the widthanchura of a humanhumano haircabello, OK?
183
440000
4000
una milésima parte del ancho de un cabello humano, ¿bien?
07:36
So, they're all floatingflotante around in solutionsolución, and to look at them,
184
444000
3000
Entonces, están flotando en solución, y para verlos,
07:39
you have to get them on a surfacesuperficie where they stickpalo.
185
447000
2000
deben ponerlos en una superficie donde se peguen.
07:41
So, you pourverter them out ontosobre a surfacesuperficie
186
449000
2000
Entonces, los ponen en una superficie
07:43
and they startcomienzo to stickpalo to that surfacesuperficie,
187
451000
2000
y comienzan a adherirse a ésta,
07:45
and we take a pictureimagen usingutilizando an atomic-forceFuerza atómica microscopemicroscopio.
188
453000
2000
y tomamos una imagen usando un microscopio de fuerza atómica
07:47
It's got a needleaguja, like a recordgrabar needleaguja,
189
455000
2000
que tiene una aguja, como la de un tocadiscos,
07:49
that goesva back and forthadelante over the surfacesuperficie,
190
457000
2000
que va de un lado al otro de la superficie,
07:51
bumpsbaches up and down, and feelssiente the heightaltura of the first surfacesuperficie.
191
459000
3000
salta arriba y abajo y siente la altura de la superficie.
07:54
It feelssiente the DNAADN origamiorigami.
192
462000
2000
Siente el origami de ADN.
07:56
There's the atomic-forceFuerza atómica microscopemicroscopio workingtrabajando
193
464000
2000
Ahí está el microscopio de fuerza atómica trabajando
07:59
and you can see that the landing'saterrizaje a little rougháspero.
194
467000
1000
y pueden ver que el aterrizaje es un poco duro.
08:00
When you zoomenfocar in, they'veellos tienen got, you know,
195
468000
2000
Cuando hacen un acercamiento, tienen, saben,
08:02
weakdébiles jawsmandíbulas that flipdar la vuelta over theirsu headscabezas
196
470000
1000
mandíbulas débiles que cuelgan sobre sus cabezas
08:03
and some of theirsu nosesnarices get punchedperforado out, but it's prettybonita good.
197
471000
3000
y algunas de sus narices quedan golpeadas, pero es bastante bueno.
08:06
You can zoomenfocar in and even see the extraextra little looplazo,
198
474000
2000
Pueden acercarse más e incluso ver un bucle extra,
08:08
this little nano-goateenano-perilla.
199
476000
2000
este pequeño nano-moco.
08:10
Now, what's great about this is anybodynadie can do this.
200
478000
3000
Ahora, lo que es genial sobre esto es que cualquiera puede hacerlo.
08:13
And so, I got this in the mailcorreo about a yearaño after I did this, unsolicitedno solicitado.
201
481000
4000
Entonces me llegó esto por correo un año después de hacer esto, sin solicitarlo.
08:17
AnyoneNadie know what this is? What is it?
202
485000
3000
¿Alguien sabe lo que es? ¿qué es?
08:20
It's ChinaChina, right?
203
488000
2000
es China, ¿cierto?
08:22
So, what happenedsucedió is, a graduategraduado studentestudiante in ChinaChina,
204
490000
2000
Entonces, lo que ocurrió es que un estudiante de posgrado en China,
08:24
LuluLulu QianQian, did a great jobtrabajo.
205
492000
2000
Lulu Quian, hizo un gran trabajo.
08:26
She wroteescribió all her ownpropio softwaresoftware
206
494000
2000
Ella escribió su propio software
08:28
to designdiseño and builtconstruido this DNAADN origamiorigami,
207
496000
2000
para diseñar y construir este origami de ADN,
08:30
a beautifulhermosa renditioninterpretación of ChinaChina, whichcual even has TaiwanTaiwan,
208
498000
3000
una hermosa interpretación de China, que incluso tiene a Taiwan,
08:33
and you can see it's sortordenar of on the world'smundo shortestmás corto leashCorrea, right?
209
501000
3000
y pueden ver que es como la península más pequeña del mundo, ¿cierto?
08:36
(LaughterRisa)
210
504000
2000
(Risas)
08:39
So, this workstrabajos really well
211
507000
1000
Entonces, esto funciona realmente bien
08:41
and you can make patternspatrones as well as shapesformas, OK?
212
509000
2000
y pueden hacer patrones y formas, ¿sí?
08:44
And you can make a mapmapa of the AmericasAmérica and spelldeletrear DNAADN with DNAADN.
213
512000
3000
Y pueden hacer un mapa de las Américas y deletrear ADN con ADN.
08:47
And what's really neatordenado about it --
214
515000
3000
Y lo que es realmente fantástico sobre esto...
08:50
well, actuallyactualmente, this all looksmiradas like nano-artworknano-obra de arte,
215
518000
2000
bueno, de hecho todo esto parece nano-arte,
08:52
but it turnsvueltas out that nano-artworknano-obra de arte
216
520000
1000
pero resulta que el nano-arte
08:53
is just what you need to make nano-circuitsnanocircuitos.
217
521000
2000
es lo que se necesita para hacer nano-circuitos.
08:55
So, you can put circuitcircuito componentscomponentes on the staplesgrapas,
218
523000
2000
Entonces, pueden poner componentes de circuitos en los ganchos,
08:57
like a lightligero bulbbulbo and a lightligero switchcambiar.
219
525000
2000
como un foco y un interruptor.
08:59
Let the thing assemblearmar, and you'lltu vas a get some kindtipo of a circuitcircuito.
220
527000
3000
Dejar que se ensamble, y obtienen un tipo de circuito.
09:02
And then you can maybe washlavar the DNAADN away and have the circuitcircuito left over.
221
530000
3000
Y entonces pueden, quizás, lavar el ADN y dejar las sobras del circuito.
09:05
So, this is what some colleaguescolegas of minemía at CaltechCaltech did.
222
533000
2000
Así que, esto es lo que algunos colegas míos en Caltech hicieron.
09:07
They tooktomó a DNAADN origamiorigami, organizedorganizado some carboncarbón nano-tubesnanotubos,
223
535000
3000
Tomaron el origami de ADN, organizaron algunos nano-tubos de carbono,
09:10
madehecho a little switchcambiar, you see here, wiredcableado it up,
224
538000
2000
hicieron un pequeño interruptor, lo pueden ver aquí, conectado,
09:12
testedprobado it and showedmostró that it is indeeden efecto a switchcambiar.
225
540000
3000
lo probaron y mostaron que efectivamente es un interruptor
09:15
Now, this is just a singlesoltero switchcambiar
226
543000
2000
Ahora, esto es sólo un interruptor
09:17
and you need halfmitad a billionmil millones for a computercomputadora, so we have a long way to go.
227
545000
4000
y se necesitan 500 mil millones para una computadora, así que falta un largo camino.
09:21
But this is very promisingprometedor
228
549000
2000
Pero esto es prometedor
09:23
because the origamiorigami can organizeorganizar partspartes just one-tenthuna décima parte the sizetamaño
229
551000
5000
porque el origami puede organizar las partes a una décima del tamaño
09:28
of those in a normalnormal computercomputadora.
230
556000
1000
de los de una computadora normal.
09:29
So it's very promisingprometedor for makingfabricación smallpequeña computersordenadores.
231
557000
3000
Así que es muy prometedor para hacer pequeñas computadoras.
09:32
Now, I want to get back to that compilercompilador.
232
560000
3000
Ahora, quiero volver al compilador.
09:35
The DNAADN origamiorigami is a proofprueba that that compilercompilador actuallyactualmente workstrabajos.
233
563000
3000
El origami de ADN es una prueba de que el compilador funciona.
09:39
So, you startcomienzo with something in the computercomputadora.
234
567000
2000
Así que, comienzan con algo en la computadora.
09:41
You get a high-levelnivel alto descriptiondescripción of the computercomputadora programprograma,
235
569000
3000
Obtienen una descripción de alto nivel del programa computacional,
09:44
a high-levelnivel alto descriptiondescripción of the origamiorigami.
236
572000
2000
una descripción de algo nivel del origami.
09:46
You can compilecompilar it to moleculesmoléculas, sendenviar it to a synthesizersintetizador,
237
574000
3000
Lo pueden compilar en moléculas, enviarlo a un sintetizador
09:49
and it actuallyactualmente workstrabajos.
238
577000
1000
y realmente funciona.
09:50
And it turnsvueltas out that a companyempresa has madehecho a nicebonito programprograma
239
578000
4000
Y sucede que una compañía ha hecho un buen programa
09:54
that's much better than my codecódigo, whichcual was kindtipo of uglyfeo,
240
582000
2000
que es mucho mejor que mi código, que estaba feo,
09:56
and will allowpermitir us to do this in a nicebonito,
241
584000
1000
y nos permitirá hacerlo de forma
09:57
visualvisual, computer-aidedasistido por computadora designdiseño way.
242
585000
2000
visual asistida por computadora para diseñar.
10:00
So, now you can say, all right,
243
588000
1000
Entonces, ahora pueden decir -está bien,
10:01
why isn't DNAADN origamiorigami the endfin of the storyhistoria?
244
589000
2000
¿por qué la historia no se acaba con origami de ADN?
10:03
You have your molecularmolecular compilercompilador, you can do whateverlo que sea you want.
245
591000
2000
Tienen su compilador molecular, pueden hacer lo que quieran.
10:05
The facthecho is that it does not scaleescala.
246
593000
3000
El hecho es que no se escala.
10:08
So if you want to buildconstruir a humanhumano from DNAADN origamiorigami,
247
596000
3000
Así que si queiren construir un humano a partir de origami de ADN,
10:11
the problemproblema is, you need a long strandhebra
248
599000
2000
el problema es que necesitan una hebra larga
10:13
that's 10 trilliontrillón trilliontrillón basesbases long.
249
601000
3000
que es tan larga como 10 billones de billones de bases.
10:16
That's threeTres lightligero years'años' worthvalor of DNAADN,
250
604000
2000
Eso son tres años luz de ADN,
10:18
so we're not going to do this.
251
606000
2000
así que no lo haremos.
10:20
We're going to turngiro to anotherotro technologytecnología,
252
608000
2000
Veremos otra tecnología
10:22
calledllamado algorithmicalgorítmico self-assemblyautoensamblaje of tilesazulejos.
253
610000
2000
llamada "auto-ensamblaje algorítmico de mosaicos".
10:24
It was startedempezado by ErikErik WinfreeWinfree,
254
612000
2000
Iniciado por Erik Winfree,
10:26
and what it does,
255
614000
1000
y lo que hace,
10:27
it has tilesazulejos that are a hundredthcentésimo the sizetamaño of a DNAADN origamiorigami.
256
615000
4000
es que tiene mosaicos que son una centésima del tamaño del origami de ADN.
10:31
You zoomenfocar in, there are just fourlas cuatro DNAADN strandshebras
257
619000
2000
Si haces un acercamiento, son sólo cuatro hebras de ADN
10:34
and they have little single-strandedmonocatenario bitsbits on them
258
622000
2000
y tienen pequeños bits de una hebra en ellas
10:36
that can bindenlazar to other tilesazulejos, if they matchpartido.
259
624000
2000
que pueden unirse a otros mosaicos si coinciden.
10:38
And we like to drawdibujar these tilesazulejos as little squarescuadrícula.
260
626000
3000
Y nos gusta dibujar estos mosaicos como pequeños cuadros.
10:42
And if you look at theirsu stickypegajoso endstermina, these little DNAADN bitsbits,
261
630000
2000
Y si ven a los extremos pegajosos, estos pequeños bits de ADN,
10:44
you can see that they actuallyactualmente formformar a checkerboardtablero de damas patternpatrón.
262
632000
3000
pueden ver que forman un patrón de tablero de ajedrez.
10:47
So, these tilesazulejos would make a complicatedComplicado, self-assemblingautoensamblaje checkerboardtablero de damas.
263
635000
3000
Entonces, estos mosaicos harían un complicado tablero de ajedrez que se ensambla a sí mismo.
10:50
And the pointpunto of this, if you didn't catchcaptura that,
264
638000
2000
Y el punto de esto, si no lo notaron,
10:52
is that tilesazulejos are a kindtipo of molecularmolecular programprograma
265
640000
3000
es que los mosaicos son como un programa molecular
10:55
and they can outputsalida patternspatrones.
266
643000
3000
y pueden producir patrones.
10:58
And a really amazingasombroso partparte of this is
267
646000
2000
Y una parte realmente sorprendente de esto es
11:00
that any computercomputadora programprograma can be translatedtraducido
268
648000
2000
que cualquier programa computacional puede traducirse
11:02
into one of these tileazulejo programsprogramas -- specificallyespecíficamente, countingcontando.
269
650000
3000
en uno de estos programas de mosaicos -- específicamente, contar.
11:05
So, you can come up with a setconjunto of tilesazulejos
270
653000
3000
Entonces, puedes terminar con un grupo de mosaicos
11:08
that when they come togetherjuntos, formformar a little binarybinario countermostrador
271
656000
3000
que cuando se juntan, forman un contador binario
11:11
rathermás bien than a checkerboardtablero de damas.
272
659000
2000
en vez de un tablero de ajedrez.
11:13
So you can readleer off binarybinario numbersnúmeros fivecinco, sixseis and sevensiete.
273
661000
3000
Así que pueden leer números binarios, cinco, seis y siete.
11:16
And in orderorden to get these kindsclases of computationscálculos startedempezado right,
274
664000
3000
Y para lograr que este tipo de conteos comiencen adecuadamente,
11:19
you need some kindtipo of inputentrada, a kindtipo of seedsemilla.
275
667000
2000
necesitan algún tipo de aporte, como una semilla.
11:21
You can use DNAADN origamiorigami for that.
276
669000
2000
Pueden usar el origami de ADN para ello.
11:23
You can encodecodificar the numbernúmero 32
277
671000
2000
Pueden codificar el número 32
11:25
in the right-handmano derecha sidelado of a DNAADN origamiorigami,
278
673000
2000
en el lado derecho del origami de ADN
11:27
and when you addañadir those tilesazulejos that countcontar,
279
675000
2000
y cuando agregan esos mosaicos que cuentan,
11:29
they will startcomienzo to countcontar -- they will readleer that 32
280
677000
3000
empezarán a contar, leerán ese 32
11:32
and they'llellos van a stop at 32.
281
680000
2000
y se detendrán en 32.
11:34
So, what we'venosotros tenemos donehecho is we'venosotros tenemos figuredfigurado out a way
282
682000
3000
Entonces, lo que hemos hecho es que hemos encontrado una forma
11:37
to have a molecularmolecular programprograma know when to stop going.
283
685000
3000
de hacer que un programa molecular sepa cuándo dejar de crecer.
11:40
It knowssabe when to stop growingcreciente because it can countcontar.
284
688000
2000
Éste sabe cuándo dejar de crecer porque puede contar.
11:42
It knowssabe how biggrande it is.
285
690000
2000
Sabe qué tan grande es.
11:44
So, that answersrespuestas that sortordenar of first questionpregunta I was talkinghablando about.
286
692000
3000
Entonces, eso responde a la primera pregunta de la que hablaba.
11:47
It doesn't tell us how babiescriaturas do it, howeversin embargo.
287
695000
3000
sin embargo, no nos dice cómo lo hacen los bebés.
11:50
So now, we can use this countingcontando to try and get at much biggermás grande things
288
698000
4000
Entonces ahora, podemos usar este conteo para intentar obtener cosas mucho más grandes
11:54
than DNAADN origamiorigami could otherwisede otra manera.
289
702000
1000
que con sólo origami de ADN.
11:55
Here'sAquí está the DNAADN origamiorigami, and what we can do
290
703000
3000
Aquí está el origami de ADN, y lo que podemos hacer
11:58
is we can writeescribir 32 on bothambos edgesbordes of the DNAADN origamiorigami,
291
706000
3000
es que podemos escribir 32 en ambos lados del origami de ADN
12:01
and we can now use our wateringriego can
292
709000
2000
y podemos usar nuestra regadera
12:03
and wateragua with tilesazulejos, and we can startcomienzo growingcreciente tilesazulejos off of that
293
711000
4000
para regar mosaicos y podemos empezar a hacer crecer mosaicos a partir de eso
12:07
and createcrear a squarecuadrado.
294
715000
2000
y crear un cuadro.
12:09
The countermostrador servessirve as a templatemodelo
295
717000
3000
El contador sirve como molde
12:12
to fillllenar in a squarecuadrado in the middlemedio of this thing.
296
720000
2000
para llenar un cuadro en el centro de esta cosa.
12:14
So, what we'venosotros tenemos donehecho is we'venosotros tenemos succeededtenido éxito
297
722000
1000
Así que, hemos tenido éxito
12:15
in makingfabricación something much biggermás grande than a DNAADN origamiorigami
298
723000
3000
en hacer algo mucho más grande que el origami de ADN
12:18
by combiningcombinatorio DNAADN origamiorigami with tilesazulejos.
299
726000
3000
al combinar el origami de ADN con mosaicos.
12:21
And the neatordenado thing about it is, is that it's alsoademás reprogrammablereprogramable.
300
729000
3000
Y lo fantástico de esto es, que también es reprogramable.
12:24
You can just changecambio a couplePareja of the DNAADN strandshebras in this binarybinario representationrepresentación
301
732000
4000
Pueden cambiar un par de hebras de ADN en esta representación binaria
12:28
and you'lltu vas a get 96 rathermás bien than 32.
302
736000
3000
y obtendrán 96 en vez de 32.
12:31
And if you do that, the origami'sorigami the samemismo sizetamaño,
303
739000
3000
Y si lo hacen, el origami es del mismo tamaño,
12:34
but the resultingresultante squarecuadrado that you get is threeTres timesveces biggermás grande.
304
742000
4000
pero el cuadro resultante es tres veces más grande.
12:39
So, this sortordenar of recapitulatesrecapitula
305
747000
1000
Entonces, esto como que recapitula
12:40
what I was tellingnarración you about developmentdesarrollo.
306
748000
2000
lo que les decía sobre el desarrollo.
12:42
You have a very sensitivesensible computercomputadora programprograma
307
750000
3000
Tienen un programa computacional muy sensible
12:45
where smallpequeña changescambios -- singlesoltero, tinyminúsculo, little mutationsmutaciones --
308
753000
3000
donde los pequeños cambios -- únicas, minúsculas, pequeñas mutaciones--
12:48
can take something that madehecho one sizetamaño squarecuadrado
309
756000
2000
pueden tomar algo que hace un cuadro de un tamaño
12:50
and make something very much biggermás grande.
310
758000
3000
y lo convierte en algo mucho más grande.
12:54
Now, this -- usingutilizando countingcontando to computecalcular
311
762000
3000
Ahora, eso se logra usando el conteo para computar
12:57
and buildconstruir these kindsclases of things
312
765000
2000
y construir este tipo de cosas
12:59
by this kindtipo of developmentalde desarrollo processproceso
313
767000
2000
a través de este tipo de procesos de desarrollo
13:01
is something that alsoademás has bearingcojinete on CraigCraig Venter'sVenter questionpregunta.
314
769000
4000
es algo que también tiene que ver con la pregunta de Craig Venter.
13:05
So, you can askpedir, how manymuchos DNAADN strandshebras are requirednecesario
315
773000
2000
Entonces, pueden preguntar, ¿cuántas hebras de ADN se necesitan
13:07
to buildconstruir a squarecuadrado of a givendado sizetamaño?
316
775000
2000
para construir un cuadro de cierto tamaño?
13:09
If we wanted to make a squarecuadrado of sizetamaño 10, 100 or 1,000,
317
777000
5000
Si quisiéramos hacer un cuadro de tamaño 10, 100 o 1000,
13:14
if we used DNAADN origamiorigami alonesolo,
318
782000
2000
si sólo usáramos origami de ADN,
13:16
we would requireexigir a numbernúmero of DNAADN strandshebras that's the squarecuadrado
319
784000
3000
necesitaríamos el número de hebras que sea el cuadrado
13:19
of the sizetamaño of that squarecuadrado;
320
787000
2000
del tamaño de ese cuadro,
13:21
so we'dmie need 100, 10,000 or a millionmillón DNAADN strandshebras.
321
789000
2000
entonces necesitaríamos 100, 10,000 o un millón de hebras de ADN.
13:23
That's really not affordableasequible.
322
791000
2000
Eso no está al alcance.
13:25
But if we use a little computationcálculo --
323
793000
2000
Pero si usamos un poco de computación --
13:27
we use origamiorigami, plusmás some tilesazulejos that countcontar --
324
795000
4000
usamos origami, más algunos mosaicos que cuentan--
13:31
then we can get away with usingutilizando 100, 200 or 300 DNAADN strandshebras.
325
799000
3000
entonces podemos lograrlo usando 100, 200 o 300 hebras de ADN.
13:34
And so we can exponentiallyexponencialmente reducereducir the numbernúmero of DNAADN strandshebras we use,
326
802000
5000
Y así podemos reducir exponencialmente el número de hebras de ADN que usamos
13:39
if we use countingcontando, if we use a little bitpoco of computationcálculo.
327
807000
3000
si usamos el conteo, si usamos un poco de computación.
13:42
And so computationcálculo is some very powerfulpoderoso way
328
810000
3000
Y entonces la computación es una forma poderosa
13:45
to reducereducir the numbernúmero of moleculesmoléculas you need to buildconstruir something,
329
813000
3000
de reducir el número de moléculas que se necesitan para construir algo,
13:48
to reducereducir the sizetamaño of the genomegenoma that you're buildingedificio.
330
816000
3000
para reducir el tamaño del genoma de lo que estén construyendo.
13:51
And finallyfinalmente, I'm going to get back to that sortordenar of crazyloca ideaidea
331
819000
3000
Y finalmente, volveré a esa idea loca
13:54
about computersordenadores buildingedificio computersordenadores.
332
822000
2000
sobre computadoras construyendo computadoras.
13:56
If you look at the squarecuadrado that you buildconstruir with the origamiorigami
333
824000
3000
Si observan al cuadro que construyeron con el origami
13:59
and some counterscontadores growingcreciente off it,
334
827000
2000
y algunos contadores creciendo de él,
14:01
the patternpatrón that it has is exactlyexactamente the patternpatrón that you need
335
829000
3000
el patrón que tiene es exactamente el patrón que necesitan
14:04
to make a memorymemoria.
336
832000
1000
para hacer una memoria.
14:05
So if you affixafijo some wiresalambres and switchesinterruptores to those tilesazulejos --
337
833000
3000
Entonces si le ponen algunos cables e interruptores a esos mosaicos,
14:08
rathermás bien than to the staplegrapa strandshebras, you affixafijo them to the tilesazulejos --
338
836000
3000
en vez de las cadenas gancho, los pegan a los mosaicos,
14:11
then they'llellos van a self-assembleautoensamblarse the somewhatalgo complicatedComplicado circuitscircuitos,
339
839000
3000
entonces ellos auto-ensamblarán los circuitos más o menos complicados
14:14
the demultiplexerdemultiplexor circuitscircuitos, that you need to addressdirección this memorymemoria.
340
842000
3000
los circuitos "des-multiplexores" que necesitan para consultar esta memoria.
14:17
So you can actuallyactualmente make a complicatedComplicado circuitcircuito
341
845000
2000
Entonces pueden, realmente, hacer un circuito complicado
14:19
usingutilizando a little bitpoco of computationcálculo.
342
847000
2000
usando un poco de computación.
14:21
It's a molecularmolecular computercomputadora buildingedificio an electronicelectrónico computercomputadora.
343
849000
3000
Es una computadora molecular construyendo una computadora electrónica.
14:24
Now, you askpedir me, how farlejos have we gottenconseguido down this pathcamino?
344
852000
3000
Ahora, me preguntan, ¿qué tanto hemos logrado de este camino?
14:27
ExperimentallyExperimentalmente, this is what we'venosotros tenemos donehecho in the last yearaño.
345
855000
3000
Experimentalmente, esto es lo que hemos hecho el último año.
14:30
Here is a DNAADN origamiorigami rectanglerectángulo,
346
858000
2000
Aquí está un rectángulo de origami de ADN,
14:33
and here are some tilesazulejos growingcreciente from it.
347
861000
2000
y aquí hay algunos mosaicos creciendo a partir de él.
14:35
And you can see how they countcontar.
348
863000
2000
Y pueden ver cómo cuentan.
14:37
One, two, threeTres, fourlas cuatro, fivecinco, sixseis, ninenueve, 10, 11, 12, 17.
349
865000
12000
uno, dos, tres, cuatro, cinco, seis, nueve, 10, 11, 12, 17.
14:49
So it's got some errorserrores, but at leastmenos it countsconteos up.
350
877000
4000
Tiene algunos errores, pero al menos puede contar.
14:53
(LaughterRisa)
351
881000
1000
(Risas)
14:54
So, it turnsvueltas out we actuallyactualmente had this ideaidea ninenueve yearsaños agohace,
352
882000
3000
Resulta que tuvimos esta idea hace nueve años,
14:57
and that's about the time constantconstante for how long it takes
353
885000
3000
y esa es más o menos la constante de tiempo de lo que toma
15:00
to do these kindsclases of things, so I think we madehecho a lot of progressProgreso.
354
888000
2000
hacer este tipo de cosas, así que creo que hemos hecho un gran progreso.
15:02
We'veNosotros tenemos got ideasideas about how to fixfijar these errorserrores.
355
890000
2000
Tenemos ideas para corregir estos errores.
15:04
And I think in the nextsiguiente fivecinco or 10 yearsaños,
356
892000
2000
Y creo que en los próximos 10 años,
15:06
we'llbien make the kindtipo of squarescuadrícula that I describeddescrito
357
894000
2000
podremos hacer el tipo de cuadros que les describí
15:08
and maybe even get to some of those self-assembledautoensamblado circuitscircuitos.
358
896000
3000
y quizás incluso podamos hacer algunos de esos circuitos auto-ensamblados.
15:11
So now, what do I want you to take away from this talk?
359
899000
4000
Ahora, ¿qué quisiera que se lleven de esta charla?
15:15
I want you to rememberrecuerda that
360
903000
2000
Quiero que recuerden que
15:17
to createcrear life'sla vida very diversediverso and complexcomplejo formsformularios,
361
905000
4000
para crear las formas tan complejas y diversas de la vida,
15:21
life usesusos computationcálculo to do that.
362
909000
2000
la vida usa computación para hacerlo.
15:23
And the computationscálculos that it usesusos, they're molecularmolecular computationscálculos,
363
911000
4000
Y las computaciones que usa, son computaciones moleculares,
15:27
and in orderorden to understandentender this and get a better handleencargarse de on it,
364
915000
2000
y para poder entenderlo y manejarlo mejor,
15:29
as FeynmanFeynman said, you know,
365
917000
2000
como dijo Feynman, saben,
15:31
we need to buildconstruir something to understandentender it.
366
919000
2000
necesitamos construir algo para entenderlo.
15:33
And so we are going to use moleculesmoléculas and refashionrehacer this thing,
367
921000
4000
Y entonces usaremos moléculas para rediseñar esta cosa,
15:37
rebuildreconstruir everything from the bottomfondo up,
368
925000
2000
reconstruir todo desde el principio,
15:39
usingutilizando DNAADN in waysformas that naturenaturaleza never intendeddestinado a,
369
927000
3000
usando ADN en formas que la naturaleza nunca pretendió,
15:42
usingutilizando DNAADN origamiorigami,
370
930000
2000
usando origami de ADN,
15:44
and DNAADN origamiorigami to seedsemilla this algorithmicalgorítmico self-assemblyautoensamblaje.
371
932000
3000
y el origami de ADN para iniciar este auto-ensamblaje algorítmico.
15:47
You know, so this is all very coolguay,
372
935000
2000
Saben, esto es genial,
15:50
but what I'd like you to take from the talk,
373
938000
1000
pero lo que quisiera que se lleven de la charla,
15:51
hopefullyOjalá from some of those biggrande questionspreguntas,
374
939000
2000
ojalá de algunas de esas grandes preguntas,
15:53
is that this molecularmolecular programmingprogramación isn't just about makingfabricación gadgetsgadgets.
375
941000
3000
es que esta programación molecular no se trata sólo de hacer dispositivos.
15:56
It's not just makingfabricación about --
376
944000
2000
No es sólo sobre --
15:58
it's makingfabricación self-assembledautoensamblado cellcelda phonesteléfonos and circuitscircuitos.
377
946000
2000
hacer teléfonos celulares y circuitos auto-ensamblados.
16:00
What it's really about is takingtomando computercomputadora scienceciencia
378
948000
2000
De lo que realmente se trata es tomar la Informática teórica
16:02
and looking at biggrande questionspreguntas in a newnuevo lightligero,
379
950000
3000
y observar las grandes preguntas con una nueva luz,
16:05
askingpreguntando newnuevo versionsversiones of those biggrande questionspreguntas
380
953000
2000
preguntar nuevas versiones de estas grandes preguntas
16:07
and tryingmolesto to understandentender how biologybiología
381
955000
2000
e intentar de entender cómo la biología
16:09
can make suchtal amazingasombroso things. Thank you.
382
957000
2000
puede hacer cosas tan maravillosas. Gracias.
16:12
(ApplauseAplausos)
383
960000
7000
(Aplauso)
Translated by Alex Alonso
Reviewed by Gisela Giardino

▲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