ABOUT THE SPEAKER
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.

Why you should listen

Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.

More profile about the speaker
Danny Hillis | Speaker | TED.com
TEDMED 2010

Danny Hillis: Understanding cancer through proteomics

Danny Hillis: Közelítsük meg a rákot a proteomika felől

Filmed:
465,363 views

Danny Hillis leteszi a rákkutatás következő mérföldkövét: a proteomikát, vagyis az emberi szervezetben lévő fehérjék tudományát. Hillis elmagyarázza, hogy míg a genomika a szervezetünk összetevőit vizsgálja -- addig a proteomika azzal, hogy ezek az összetevők mit termelnek. Ha megértjük, mi zajlik szervezetünkben a fehérjék szintjén, megérthetjük azt is, miképp alakul ki a rák.
- Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio

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

00:15
I admitbeismerni that I'm a little bitbit nervousideges here
0
0
3000
Elismerem, hogy kicsit izgulok,
00:18
because I'm going to say some radicalradikális things,
1
3000
3000
mert egy nagyobb közönség előtt,
00:21
about how we should think about cancerrák differentlyeltérően,
2
6000
3000
mely nálam sokkal többet tud a rákról,
00:24
to an audienceközönség that containstartalmaz a lot of people
3
9000
2000
radikális dolgokat fogok mondani arról,
00:26
who know a lot more about cancerrák than I do.
4
11000
3000
hogyan gondolkozzunk másképp a rákról.
00:30
But I will alsois contestverseny that I'm not as nervousideges as I should be
5
15000
3000
Azt is elárulom ám, hogy annyira azonban mégsem izgulok, mint amennyire indokolt,
00:33
because I'm prettyszép sure I'm right about this.
6
18000
2000
mert erősen hiszem, hogy igazam van.
00:35
(LaughterNevetés)
7
20000
2000
(Nevetés)
00:37
And that this, in facttény, will be
8
22000
2000
Hiszem, hogy ez lesz a jövőben
00:39
the way that we treatcsemege cancerrák in the futurejövő.
9
24000
3000
a rákkezelés módja.
00:43
In ordersorrend to talk about cancerrák,
10
28000
2000
Hogy a rákról beszéljek,
00:45
I'm going to actuallytulajdonképpen have to --
11
30000
3000
el kell magamnak intézni
00:48
let me get the bignagy slidecsúszik here.
12
33000
3000
egy nagy diát.
00:53
First, I'm going to try to give you a differentkülönböző perspectivetávlati of genomicsgenomika.
13
38000
3000
Először megpróbálom új nézőpontból bemutatni a genomikát.
00:56
I want to put it in perspectivetávlati of the biggernagyobb picturekép
14
41000
2000
Tágabb perspektívába akarom helyezni,
00:58
of all the other things that are going on --
15
43000
3000
olyan képbe, melyen a folyamatot egészében lehet látni --
01:01
and then talk about something you haven'tnincs heardhallott so much about, whichmelyik is proteomicsProteomikai kutatócsoport.
16
46000
3000
majd áttérek valami olyannak a tárgyalására, amiről még nem hallottak, s ez a proteomika.
01:04
HavingMiután explainedmagyarázható those,
17
49000
2000
Ezek elmagyarázása
01:06
that will setkészlet up for what I think will be a differentkülönböző ideaötlet
18
51000
3000
megvilágítja majd, hogy mit értek
01:09
about how to go about treatingkezelésére cancerrák.
19
54000
2000
a rák kezelésének új megközelítése alatt.
01:11
So let me startRajt with genomicsgenomika.
20
56000
2000
Kezdjük tehát a genomikával.
01:13
It is the hotforró topictéma.
21
58000
2000
Ez egy mindig aktuális téma.
01:15
It is the placehely where we're learningtanulás the mosta legtöbb.
22
60000
2000
Sokat tanulhatunk e téren.
01:17
This is the great frontierhatár.
23
62000
2000
Nagy mérföldkő
01:19
But it has its limitationskorlátozások.
24
64000
3000
Megvannak a korlátai.
01:22
And in particularkülönös, you've probablyvalószínűleg all heardhallott the analogyanalógia
25
67000
3000
Kiváltképpen, valószínűleg mindannyian ismerik azt a hasonlatot,
01:25
that the genomegenom is like the blueprintBlueprint of your bodytest,
26
70000
3000
hogy a génállomány olyan, mint a szervezetünk kapcsolási rajza.
01:28
and if that were only trueigaz, it would be great,
27
73000
2000
Bárcsak igaz lenne!
01:30
but it's not.
28
75000
2000
De nem az.
01:32
It's like the partsalkatrészek listlista of your bodytest.
29
77000
2000
Olyan, mint egy lista a tested alkotórészeiről.
01:34
It doesn't say how things are connectedcsatlakoztatva,
30
79000
2000
Nem árul el semmit arról, hogy miképp kapcsolódnak,
01:36
what causesokoz what and so on.
31
81000
3000
mi mit okoz, stb.
01:39
So if I can make an analogyanalógia,
32
84000
2000
Ha tehát egy hasonlattal akarunk élni,
01:41
let's say that you were tryingmegpróbálja to tell the differencekülönbség
33
86000
2000
mondjuk azt, hogy valaki el akarná magyarázni, mi a különbség
01:43
betweenközött a good restaurantétterem, a healthyegészséges restaurantétterem
34
88000
3000
egy jó, egészséges étterem,
01:46
and a sickbeteg restaurantétterem,
35
91000
2000
és egy egészségtelen étterem között,
01:48
and all you had was the listlista of ingredientsösszetevők
36
93000
2000
s mindehhez csupán az ételeik hozzávalóinak listája
01:50
that they had in theirazok larderéléskamra.
37
95000
3000
állna rendelkezésére, mely az élelmiszerraktárukban volt.
01:53
So it mightesetleg be that, if you wentment to a Frenchfrancia restaurantétterem
38
98000
3000
Lehet, hogy elmegy valaki egy francia étterembe,
01:56
and you lookednézett throughkeresztül it and you foundtalál
39
101000
2000
körülnéz, és látja, hogy
01:58
they only had margarinemargarin and they didn't have buttervaj,
40
103000
2000
csak margarint használnak, vajat egyáltalán nem,
02:00
you could say, "AhAh, I see what's wrongrossz with them.
41
105000
2000
mondhatja, hogy "Á, látom már, mi nem stimmel itt.
02:02
I can make them healthyegészséges."
42
107000
2000
Majd én rávezetem őket arra, mi az egészséges."
02:04
And there probablyvalószínűleg are specialkülönleges casesesetek of that.
43
109000
2000
Minden bizonnyal vannak különleges esetek is.
02:06
You could certainlybiztosan tell the differencekülönbség
44
111000
2000
Biztos meg tudná mondani, mi a különbség
02:08
betweenközött a Chinesekínai restaurantétterem and a Frenchfrancia restaurantétterem
45
113000
2000
egy kínai és egy francia étterem között
02:10
by what they had in a larderéléskamra.
46
115000
2000
az alapján, hogy mi van a raktárukon.
02:12
So the listlista of ingredientsösszetevők does tell you something,
47
117000
3000
A hozzávalók listája tehát mindenképpen mond valamit,
02:15
and sometimesnéha it tellsmegmondja you something that's wrongrossz.
48
120000
3000
olykor azt, hogy valami gond van.
02:19
If they have tonstonna of salt,
49
124000
2000
Ha többtonnányi só szerepel a listán,
02:21
you mightesetleg guessTaláld ki they're usinghasználva too much salt, or something like that.
50
126000
3000
kitalálhatjuk, hogy túl sok sót használnak, vagy ilyesmi
02:24
But it's limitedkorlátozott,
51
129000
2000
De korlátozott,
02:26
because really to know if it's a healthyegészséges restaurantétterem,
52
131000
2000
mert ahhoz, hogy valóban meg tudjuk, hogy egészséges-e az étterem,
02:28
you need to tasteíz the foodélelmiszer, you need to know what goesmegy on in the kitchenkonyha,
53
133000
3000
ahhoz meg kell kóstolnunk az ételeit, és betekintést kell nyernünk a konyhájába,
02:31
you need the producttermék of all of those ingredientsösszetevők.
54
136000
3000
szükségünk van az összetevőkből készült ételre.
02:34
So if I look at a personszemély
55
139000
2000
Ha tehát veszünk egy tetszőleges személyt,
02:36
and I look at a person'sszemély genomegenom, it's the sameazonos thing.
56
141000
3000
és megvizsgáljuk a génállományát, ugyanez történik.
02:39
The partrész of the genomegenom that we can readolvas
57
144000
2000
A génállománynak az a része, melyben olvashatunk,
02:41
is the listlista of ingredientsösszetevők.
58
146000
2000
a hozzávalók listája.
02:43
And so indeedvalóban,
59
148000
2000
És valóban,
02:45
there are timesalkalommal when we can find ingredientsösszetevők
60
150000
2000
van olyan, hogy találunk olyan összetevőket,
02:47
that [are] badrossz.
61
152000
2000
melyek rosszak.
02:49
CysticCisztás fibrosisfibrózis is an examplepélda of a diseasebetegség
62
154000
2000
A rángógörcs egy olyan megbetegedés,
02:51
where you just have a badrossz ingredientösszetevő and you have a diseasebetegség,
63
156000
3000
melynél mindössze egy rossz hozzávalónk van, s máris megbetegszünk,
02:54
and we can actuallytulajdonképpen make a directközvetlen correspondencelevelezés
64
159000
3000
s ezt közvetlen kapcsolatba hozhatjuk
02:57
betweenközött the ingredientösszetevő and the diseasebetegség.
65
162000
3000
ezzel az összetevővel.
03:00
But mosta legtöbb things, you really have to know what's going on in the kitchenkonyha,
66
165000
3000
Legelsősorban azzal kell tisztában lennünk, hogy mi folyik a konyhában,
03:03
because, mostlytöbbnyire, sickbeteg people used to be healthyegészséges people --
67
168000
2000
mert, a beteg emberek jobbára egészséges emberek voltak valaha --
03:05
they have the sameazonos genomegenom.
68
170000
2000
a génállományuk nem változott.
03:07
So the genomegenom really tellsmegmondja you much more
69
172000
2000
A génállomány tehát valóban sokkal többet árul el
03:09
about predispositionhajlam.
70
174000
2000
a hajlamról.
03:11
So what you can tell
71
176000
2000
Amit kapásból el tudunk mondani
03:13
is you can tell the differencekülönbség betweenközött an AsianÁzsiai personszemély and a EuropeanEurópai personszemély
72
178000
2000
az összetevőik listájára pillantva az az,
03:15
by looking at theirazok ingredientsösszetevők listlista.
73
180000
2000
hogy mi a különbség egy ázsiai és egy európai között.
03:17
But you really for the mosta legtöbb partrész can't tell the differencekülönbség
74
182000
3000
Az esetek nagy részében azonban nem igazán tudjuk megállapítani
03:20
betweenközött a healthyegészséges personszemély and a sickbeteg personszemély --
75
185000
3000
mi a különbség egy egészséges és egy beteg ember között -
03:23
exceptkivéve in some of these specialkülönleges casesesetek.
76
188000
2000
néhány különös eset kivételével.
03:25
So why all the bignagy dealüzlet
77
190000
2000
Akkor meg mi ez a felhajtás
03:27
about geneticsgenetika?
78
192000
2000
a genetika körül?
03:29
Well first of all,
79
194000
2000
Nos, először is az,
03:31
it's because we can readolvas it, whichmelyik is fantasticfantasztikus.
80
196000
3000
hogy tudunk benne olvasni, ami fantasztikus.
03:34
It is very usefulhasznos in certainbizonyos circumstanceskörülmények.
81
199000
3000
Bizonyos körülmények között ez nagyon hasznos.
03:37
It's alsois the great theoreticalelméleti triumphTriumph
82
202000
3000
Másfelől a biológia
03:40
of biologybiológia.
83
205000
2000
nagy elméleti vívmánya.
03:42
It's the one theoryelmélet
84
207000
2000
Az a bizonyos elmélet,
03:44
that the biologistsbiológusok ever really got right.
85
209000
2000
melyben a biológusok tényleg nem tévedtek.
03:46
It's fundamentalalapvető to DarwinDarwin
86
211000
2000
Darwin, Mendel,
03:48
and MendelMendel and so on.
87
213000
2000
és a többiek mind erre építkeztek.
03:50
And so it's the one thing where they predictedjósolt a theoreticalelméleti constructépít.
88
215000
3000
Ez az, ahol elméleti építményt jósoltak meg.
03:54
So MendelMendel had this ideaötlet of a genegén
89
219000
2000
Mendelnek volt ez az elképzelése: a gén
03:56
as an abstractabsztrakt thing,
90
221000
3000
mint absztrakció.
03:59
and DarwinDarwin builtépült a wholeegész theoryelmélet
91
224000
2000
Darwin pedig egy egész elméletet épített,
04:01
that dependedattól függ on them existinglétező,
92
226000
2000
melynek alapja a gének létezése volt.
04:03
and then WatsonWatson and CrickCrick
93
228000
2000
Azután Watson és Crick
04:05
actuallytulajdonképpen lookednézett and foundtalál one.
94
230000
2000
addig keresgélt, míg találtak egyet.
04:07
So this happensmegtörténik in physicsfizika all the time.
95
232000
2000
A fizikában mindig ez történik.
04:09
You predictmegjósolni a blackfekete holelyuk,
96
234000
2000
Az ember előrejelzel egy fekete lyukat,
04:11
and you look out the telescopetávcső and there it is, just like you said.
97
236000
3000
majd belenéz a távcsőbe, és ott van, ahogy mondta.
04:14
But it rarelyritkán happensmegtörténik in biologybiológia.
98
239000
2000
A biológia területén azonban ez ritkán fordul elő.
04:16
So this great triumphTriumph -- it's so good,
99
241000
3000
Ez a nagy diadal tehát - olyan jó -
04:19
there's almostmajdnem a religiousvallási experiencetapasztalat
100
244000
2000
a biológiában
04:21
in biologybiológia.
101
246000
2000
már-már vallásos élménynek számít.
04:23
And DarwinianDarwini evolutionevolúció
102
248000
2000
A darwini evolúció
04:25
is really the coremag theoryelmélet.
103
250000
3000
igazán magvas elmélet.
04:30
So the other reasonok it's been very popularnépszerű
104
255000
2000
Népszerűségének másik oka pedig az,
04:32
is because we can measuremérték it, it's digitaldigitális.
105
257000
3000
hogy mérhető, azaz digitális.
04:35
And in facttény,
106
260000
2000
Valójában,
04:37
thanksKösz to KaryKary MullisMullis,
107
262000
2000
Kary Mullis-nak köszönhetően
04:39
you can basicallyalapvetően measuremérték your genomegenom in your kitchenkonyha
108
264000
4000
a génállományunkat ténylegesen meg tudjuk mérni otthon a konyhában
04:43
with a fewkevés extrakülön- ingredientsösszetevők.
109
268000
3000
néhány kiegészítő kellék segítségével.
04:46
So for instancepélda, by measuringmérő the genomegenom,
110
271000
3000
A génállomány mérése során például
04:49
we'vevoltunk learnedtanult a lot about how we're relatedösszefüggő to other kindsféle of animalsállatok
111
274000
4000
2 génállomány hasonlósága révén
04:53
by the closenessközelség of our genomegenom,
112
278000
3000
sokat megtudtunk arról, hogy milyen viszonyban állunk más állatokkal,
04:56
or how we're relatedösszefüggő to eachminden egyes other -- the familycsalád treefa,
113
281000
3000
vagy hogyan áll 2 személy rokonságban -- mutatja ezt a családfa,
04:59
or the treefa of life.
114
284000
2000
vagy az élet fája.
05:01
There's a hugehatalmas amountösszeg of informationinformáció about the geneticsgenetika
115
286000
3000
A genetika, ha csak a genetikai hasonlóságok vizsgálását vesszük,
05:04
just by comparingösszehasonlítva the geneticgenetikai similarityhasonlóság.
116
289000
3000
hatalmas információs anyaggal rendelkezik.
05:07
Now of coursetanfolyam, in medicalorvosi applicationAlkalmazás,
117
292000
2000
Na most természetes, hogy az orvosi alkalmazása
05:09
that is very usefulhasznos
118
294000
2000
nagyon hasznos,
05:11
because it's the sameazonos kindkedves of informationinformáció
119
296000
3000
hiszen ez ugyanaz a fajta információ,
05:14
that the doctororvos getsjelentkeznek from your familycsalád medicalorvosi historytörténelem --
120
299000
3000
melyet az orvos a családi kórtörténetből ismer meg --
05:17
exceptkivéve probablyvalószínűleg,
121
302000
2000
talán egyedül maga a génállomány
05:19
your genomegenom knowstudja much more about your medicalorvosi historytörténelem than you do.
122
304000
3000
tud jóval többet a kórtörténetünkről mint mi magunk.
05:22
And so by readingolvasás the genomegenom,
123
307000
2000
A genetikai vizsgálat során tehát
05:24
we can find out much more about your familycsalád than you probablyvalószínűleg know.
124
309000
3000
sokkal többet tudhatunk meg valakinek a családjáról, mint amennyit maga az illető tud.
05:27
And so we can discoverfelfedez things
125
312000
2000
Olyan dolgokat fedezhetünk fel,
05:29
that probablyvalószínűleg you could have foundtalál
126
314000
2000
melyekre az illető is rájöhet,
05:31
by looking at enoughelég of your relativesrokonok,
127
316000
2000
ha alaposan megvizsgálja a rokonait,
05:33
but they maylehet be surprisingmeglepő.
128
318000
3000
de ezek meglepőek lehetnek
05:36
I did the 23andMeandMe thing
129
321000
2000
Én elvégeztem a 23andMe genetikai vizsgálatát,
05:38
and was very surprisedmeglepődött to discoverfelfedez that I am fatzsír and baldkopasz.
130
323000
3000
és nagyon meglepődtem, hogy kövér és kopasz vagyok.
05:41
(LaughterNevetés)
131
326000
7000
(Nevetés)
05:48
But sometimesnéha you can learntanul much more usefulhasznos things about that.
132
333000
3000
Néha azonban ennél sokkal hasznosabb dolgokat is megtudhatunk.
05:51
But mostlytöbbnyire
133
336000
3000
Legtöbbször
05:54
what you need to know, to find out if you're sickbeteg,
134
339000
2000
nem is azt kell megtudnunk, mire van hajlamunk,
05:56
is not your predispositionshajlammal,
135
341000
2000
ahhoz, hogy megtudjuk, hogy betegek vagyunk-e,
05:58
but it's actuallytulajdonképpen what's going on in your bodytest right now.
136
343000
3000
hanem azt, hogy éppen mi történik a szervezetünkben.
06:01
So to do that, what you really need to do,
137
346000
2000
Ehhez pedig arra van szükségünk, hogy
06:03
you need to look at the things
138
348000
2000
megnézzük, a gének
06:05
that the genesgének are producingtermelő
139
350000
2000
mit csinálnak,
06:07
and what's happeningesemény after the geneticsgenetika,
140
352000
2000
és mi történik a genetika után.
06:09
and that's what proteomicsProteomikai kutatócsoport is about.
141
354000
2000
Erről szól a proteomika.
06:11
Just like genomegenom mixeskeverékek the studytanulmány of all the genesgének,
142
356000
3000
Csak úgy mint ahogy a génállomány a gének összességének tudománya,
06:14
proteomicsProteomikai kutatócsoport is the studytanulmány of all the proteinsfehérjék.
143
359000
3000
a proteomika a fehérjék összességének tudománya.
06:17
And the proteinsfehérjék are all of the little things in your bodytest
144
362000
2000
A fehérjék pedig a szervezetben felgyülemlett apró dolgok sokasága,
06:19
that are signalingjelzés betweenközött the cellssejteket --
145
364000
3000
melyek a sejtek között jeleznek egymásnak --
06:22
actuallytulajdonképpen, the machinesgépek that are operatingüzemeltetési --
146
367000
2000
voltaképpen üzemben álló gépek.
06:24
that's where the actionakció is.
147
369000
2000
Itt zajlanak a dolgok.
06:26
BasicallyAlapvetően, a humanemberi bodytest
148
371000
3000
Az emberi szervezet alapvetően
06:29
is a conversationbeszélgetés going on,
149
374000
3000
kommunikáció,
06:32
bothmindkét withinbelül the cellssejteket and betweenközött the cellssejteket,
150
377000
3000
mind a sejteken belül, mind pedig a sejtek között,
06:35
and they're tellingsokatmondó eachminden egyes other to grow and to diemeghal,
151
380000
3000
egymást növekedésre biztató és halálra ítélő sejtek párbeszéde.
06:38
and when you're sickbeteg,
152
383000
2000
Amikor pedig betegek vagyunk,
06:40
something'svalami goneelmúlt wrongrossz with that conversationbeszélgetés.
153
385000
2000
valami zavar van a kommunikációban.
06:42
And so the tricktrükk is --
154
387000
2000
Az a helyzet, hogy --
06:44
unfortunatelysajnálatos módon, we don't have an easykönnyen way to measuremérték these
155
389000
3000
sajnos ehhez nem áll rendelkezésünkre olyasmi, amivel meg tudnánk mérni,
06:47
like we can measuremérték the genomegenom.
156
392000
2000
mint ahogy a génállomány esetében.
06:49
So the problemprobléma is that measuringmérő --
157
394000
3000
A probléma a méréssel tehát az, hogy --
06:52
if you try to measuremérték all the proteinsfehérjék, it's a very elaboratebonyolult processfolyamat.
158
397000
3000
ha megpróbáljuk megmérni az összes fehérjét, az egy nagyon aprólékos folyamat.
06:55
It requiresigényel hundredsszáz of stepslépések,
159
400000
2000
Száz meg száz lépésből áll,
06:57
and it takes a long, long time.
160
402000
2000
és hosszú-hosszú időbe telik.
06:59
And it mattersügyek how much of the proteinfehérje it is.
161
404000
2000
Számít, hogy mennyi fehérjéről van szó.
07:01
It could be very significantjelentős that a proteinfehérje changedmegváltozott by 10 percentszázalék,
162
406000
3000
Előfordulhat az a figyelemreméltó eset, hogy a fehérje 10 %-al változik,
07:04
so it's not a niceszép digitaldigitális thing like DNADNS.
163
409000
3000
nem egy szép digitális dologról van szó, mint a DNS esetében.
07:07
And basicallyalapvetően our problemprobléma is somebody'svalakinek a in the middleközépső
164
412000
2000
A problémánk pedig az, hogy jön valaki, épp ennek a
07:09
of this very long stageszínpad,
165
414000
2000
roppant hosszú folyamatnak a közepén
07:11
they pauseszünet for just a momentpillanat,
166
416000
2000
megáll egy pillanatra,
07:13
and they leaveszabadság something in an enzymeenzim for a secondmásodik,
167
418000
2000
egy másodpercre otthagy valamit egy enzimben,
07:15
and all of a suddenhirtelen all the measurementsmérések from then on
168
420000
2000
és onnantól kezdve az összes mérési eredmény hirtelen
07:17
don't work.
169
422000
2000
érvénytelen.
07:19
And so then people get very inconsistentkövetkezetlen resultstalálatok
170
424000
2000
Ezáltal pedig nagyon egyenetlenek
07:21
when they do it this way.
171
426000
2000
a mérési eredmények.
07:23
People have triedmegpróbálta very hardkemény to do this.
172
428000
2000
Noha vannak, akik nagyon erőlködtek ezen.
07:25
I triedmegpróbálta this a couplepárosít of timesalkalommal
173
430000
2000
Én többször megpróbáltam,
07:27
and lookednézett at this problemprobléma and gaveadott up on it.
174
432000
2000
foglalkoztam a problémával, de feladtam.
07:29
I kepttartotta gettingszerzés this call from this oncologistonkológus
175
434000
2000
Sorra kaptam a telefonhívásokat
07:31
namednevezett DavidDavid AgusSzabolcs.
176
436000
2000
David Agus onkológustól.
07:33
And AppliedAlkalmazott MindsFejében getsjelentkeznek a lot of callshívások
177
438000
3000
Az Applied Minds-hoz is sok hívás fut be
07:36
from people who want help with theirazok problemsproblémák,
178
441000
2000
olyanoktól, akik segítséget szeretnének,
07:38
and I didn't think this was a very likelyvalószínűleg one to call back,
179
443000
3000
s úgy voltam vele, hogy illene visszahívni,
07:41
so I kepttartotta on givingígy him to the delaykésleltetés listlista.
180
446000
3000
de aztán folyton halogattam.
07:44
And then one day,
181
449000
2000
Egy napon
07:46
I get a call from JohnJohn DoerrDoerr, BillBill BerkmanBerkman
182
451000
2000
felhívott John Doerr, Bill Berkman
07:48
and AlAl GoreGore on the sameazonos day
183
453000
2000
és Al Gore. Mind ugyanazon a napon,
07:50
sayingmondás returnVisszatérés DavidDavid Agus'sAgus barátait phonetelefon call.
184
455000
2000
hogy emlékeztessenek arra, hogy vissza kell hívnom David Agus-t.
07:52
(LaughterNevetés)
185
457000
2000
(Nevetés)
07:54
So I was like, "Okay. This guy'sfickó at leastlegkevésbé resourcefultalálékony."
186
459000
2000
"Rendben"- gondoltam - "Ezeknek a fickóknak legalább van kapcsolati tőkéjük."
07:56
(LaughterNevetés)
187
461000
4000
(Nevetés)
08:00
So we startedindult talkingbeszél,
188
465000
2000
Akkor aztán elkezdtünk beszélgetni,
08:02
and he said, "I really need a better way to measuremérték proteinsfehérjék."
189
467000
3000
és azt mondta, "komolyan szükségem van egy jobb módszerre, amivel a fehérjék mérhetők."
08:05
I'm like, "LookedNézett at that. Been there.
190
470000
2000
Erre én: "Foglalkoztam a kérdéssel."
08:07
Not going to be easykönnyen."
191
472000
2000
Nem lesz egyszerű."
08:09
He's like, "No, no. I really need it.
192
474000
2000
Mire ő: "De, de nekem erre nagyon nagy szükségem van.
08:11
I mean, I see patientsbetegek dyinghaldoklik everyminden day
193
476000
4000
Tudod, naponta látom, ahogy halnak a betegeim,
08:15
because we don't know what's going on insidebelül of them.
194
480000
3000
mert nem tudjuk, mi zajlik bennük.
08:18
We have to have a windowablak into this."
195
483000
2000
Rá kell erre néznünk valahogyan."
08:20
And he tookvett me throughkeresztül
196
485000
2000
Konkrét példákat hozott fel
08:22
specifickülönleges examplespéldák of when he really neededszükséges it.
197
487000
3000
arra, milyen esetekben lett volna rá tényleg szüksége.
08:25
And I realizedrealizált, wowAzta, this would really make a bignagy differencekülönbség,
198
490000
2000
Akkor rájöttem, hogy valóban sokat számítana,
08:27
if we could do it,
199
492000
2000
ha meg tudnánk ezt csinálni.
08:29
and so I said, "Well, let's look at it."
200
494000
2000
Azt mondtam neki: "Rendben. Próbáljuk meg."
08:31
AppliedAlkalmazott MindsFejében has enoughelég playjáték moneypénz
201
496000
2000
Az Applied Mindsnak van elég pénze ahhoz,
08:33
that we can go and just work on something
202
498000
2000
hogy belekezdjünk valamibe anélkül,
08:35
withoutnélkül gettingszerzés anybody'sbárki fundingfinanszírozás or permissionengedély or anything.
203
500000
3000
hogy külső támogatást, engedélyt vagy bármit kellene kérnünk.
08:38
So we startedindult playingjátszik around with this.
204
503000
2000
Elkezdtünk tehát ezzel szórakozni.
08:40
And as we did it, we realizedrealizált this was the basicalapvető problemprobléma --
205
505000
3000
Ahogy ezt csináltuk, rájöttünk, hogy mi okozta az elsődleges problémát --
08:43
that takingbevétel the sipSIP of coffeekávé --
206
508000
2000
röviden összefoglalva,
08:45
that there were humansemberek doing this complicatedbonyolult processfolyamat
207
510000
2000
emberek végezték az összetett folyamatokat
08:47
and that what really neededszükséges to be doneKész
208
512000
2000
és ami igazán fontos volt az az,
08:49
was to automateautomatizálása this processfolyamat like an assemblygyülekezés linevonal
209
514000
3000
hogy ezeket a folyamatokat futószalagként automatizáljuk
08:52
and buildépít robotsrobotok
210
517000
2000
és olyan robotokat építsünk,
08:54
that would measuremérték proteomicsProteomikai kutatócsoport.
211
519000
2000
amik majd a fehérjéket mérik.
08:56
And so we did that,
212
521000
2000
Megcsináltuk.
08:58
and workingdolgozó with DavidDavid,
213
523000
2000
A Daviddal való együtműködésünk
09:00
we madekészült a little companyvállalat calledhívott AppliedAlkalmazott ProteomicsProteomikai kutatócsoport eventuallyvégül is,
214
525000
3000
során végül létrehoztunk egy kis céget, az Applied Proteomics-t,
09:03
whichmelyik makesgyártmányú this roboticrobot assemblygyülekezés linevonal,
215
528000
3000
mely a robotizált futószalagot állítja össze,
09:06
whichmelyik, in a very consistentkövetkezetes way, measuresintézkedések the proteinfehérje.
216
531000
3000
és a fehérjéket nagyon következetesen méri.
09:09
And I'll showelőadás you what that proteinfehérje measurementmérés looksúgy néz ki, like.
217
534000
3000
Megmutatom, hogyan történik a fehérje bemérése.
09:13
BasicallyAlapvetően, what we do
218
538000
2000
Alapjában véve azt tesszük,
09:15
is we take a dropcsepp of bloodvér
219
540000
2000
hogy veszünk egy csepp vért
09:17
out of a patientbeteg,
220
542000
2000
a pácienstől,
09:19
and we sortfajta out the proteinsfehérjék
221
544000
2000
és ebben az egy csepp vérben
09:21
in the dropcsepp of bloodvér
222
546000
2000
elkülönítjük a fehérjéket
09:23
accordingszerint to how much they weighmérjünk,
223
548000
2000
aszerint, hogy mi a súlyuk,
09:25
how slipperycsúszós they are,
224
550000
2000
milyen mértékben csúsznak,
09:27
and we arrangegondoskodjon them in an imagekép.
225
552000
3000
és egy ábrában rendezzük őket.
09:30
And so we can look at literallyszó szerint
226
555000
2000
Ilyen módon szó szerint
09:32
hundredsszáz of thousandsTöbb ezer of featuresjellemzők at onceegyszer
227
557000
2000
százas illetve ezres nagyságrendben
09:34
out of that dropcsepp of bloodvér.
228
559000
2000
figyelhetjük őket meg abban az egyetlen csepp vérben.
09:36
And we can take a differentkülönböző one tomorrowholnap,
229
561000
2000
Holnap vehetünk egy másik csepp vért,
09:38
and you will see your proteinsfehérjék tomorrowholnap will be differentkülönböző --
230
563000
2000
és látni fogjuk, hogy a fehérjék holnap más értéket mutatnak--
09:40
they'llfognak be differentkülönböző after you eateszik or after you sleepalvás.
231
565000
3000
Más étkezések után és más alvást követően.
09:43
They really tell us what's going on there.
232
568000
3000
Komolyan sokat árulnak el arról, hogy mi zajlik a szervezetben.
09:46
And so this picturekép,
233
571000
2000
Ez a kép,
09:48
whichmelyik looksúgy néz ki, like a bignagy smudgepiszok to you,
234
573000
2000
ami úgy nézhet ki, mint egy nagy folt,
09:50
is actuallytulajdonképpen the thing that got me really thrilledizgalommal about this
235
575000
4000
az, ami igazán megborzongatott,
09:54
and madekészült me feel like we were on the right tracknyomon követni.
236
579000
2000
és azt az érzést keltette bennem, hogy jó úton járunk.
09:56
So if I zoomzoomolás into that picturekép,
237
581000
2000
Ha felnagyítom ezt a képet,
09:58
I can just showelőadás you what it meanseszközök.
238
583000
2000
jobban meg tudom mutatni, miről is van szó.
10:00
We sortfajta out the proteinsfehérjék -- from left to right
239
585000
3000
Balról jobbra látjuk a fehérjéket
10:03
is the weightsúly of the fragmentstöredékek that we're gettingszerzés,
240
588000
3000
megkapjuk a részletek súlyértékét.
10:06
and from topfelső to bottomalsó is how slipperycsúszós they are.
241
591000
3000
Fentről lefelé pedig azt látjuk, hogy mennyire csúszósak.
10:09
So we're zoomingkicsinyítés/nagyítás in here just to showelőadás you a little bitbit of it.
242
594000
3000
Ezt most csak azért nagyítjuk tehát fel, hogy jobban látszódjon.
10:12
And so eachminden egyes of these linesvonalak
243
597000
2000
Minden sor
10:14
representsjelentése some signaljel that we're gettingszerzés out of a piecedarab of a proteinfehérje.
244
599000
3000
valami olyan tulajdonságot képvisel, amit a fehérje részecskéből ismertünk meg.
10:17
And you can see how the linesvonalak occurelőfordul
245
602000
2000
Látható, hogy miképp alakulnak ki a sorok
10:19
in these little groupscsoportok of bumpütődés, bumpütődés, bumpütődés, bumpütődés, bumpütődés.
246
604000
4000
ezekből a csoportokból, bum, bum, bum, bum, bum.
10:23
And that's because we're measuringmérő the weightsúly so preciselypontosan that --
247
608000
3000
Mert olyan pontosan mérjük a súlyt, hogy --
10:26
carbonszén comesjön in differentkülönböző isotopesizotópok,
248
611000
2000
a különböző izotópok szénnel vegyülnek,
10:28
so if it has an extrakülön- neutrona neutron on it,
249
613000
3000
ha tehát van egy neutron pluszban, akkor
10:31
we actuallytulajdonképpen measuremérték it as a differentkülönböző chemicalkémiai.
250
616000
4000
különböző kemikáliaként végezzük a mérést.
10:35
So we're actuallytulajdonképpen measuringmérő eachminden egyes isotopeizotóp as a differentkülönböző one.
251
620000
3000
Tehát minden izotópot különböző izotópként.
10:38
And so that givesad you an ideaötlet
252
623000
3000
El tudják képzelni, hogy
10:41
of how exquisitelytökéletesen sensitiveérzékeny this is.
253
626000
2000
milyen kitűnő érzékenységű..
10:43
So seeinglátás this picturekép
254
628000
2000
Az ábra láttán kicsit
10:45
is sortfajta of like gettingszerzés to be GalileoGalileo
255
630000
2000
olyanok leszünk, mint Galileo,
10:47
and looking at the starscsillagok
256
632000
2000
aki a csillagokat vizsgálta, és
10:49
and looking throughkeresztül the telescopetávcső for the first time,
257
634000
2000
amikor először nézett a távcsövébe.
10:51
and suddenlyhirtelen you say, "WowWow, it's way more complicatedbonyolult than we thought it was."
258
636000
3000
Először kiálthatunk fel: "Ó, ez összetettebb, mint gondoltuk"
10:54
But we can see that stuffdolog out there
259
639000
2000
De láthatjuk ezt a dolgot odakinn,
10:56
and actuallytulajdonképpen see featuresjellemzők of it.
260
641000
2000
látjuk, hogy milyenek.
10:58
So this is the signaturealáírás out of whichmelyik we're tryingmegpróbálja to get patternsminták.
261
643000
3000
Ez az aláírás, amiből meg akarunk tudni valamit.
11:01
So what we do with this
262
646000
2000
Mihez kezdünk ezzel?
11:03
is, for examplepélda, we can look at two patientsbetegek,
263
648000
2000
Megvizsgálhatunk például két különböző beteget,
11:05
one that respondedválaszolt to a drugdrog and one that didn't respondreagál to a drugdrog,
264
650000
3000
az egyik válaszol a gyógyszerre, a másik nem,
11:08
and askkérdez, "What's going on differentlyeltérően
265
653000
2000
és feltesszük a kérdést: "Mi történik bennük
11:10
insidebelül of them?"
266
655000
2000
másképp?"
11:12
And so we can make these measurementsmérések preciselypontosan enoughelég
267
657000
3000
Ezeket a méréseket tehát éppen elég alkalommal tudjuk megtenni
11:15
that we can overlayoverlay two patientsbetegek and look at the differenceskülönbségek.
268
660000
3000
ahhoz, hogy megvizsgáljunk két beteget, hogy kiderüljenek a különbözőségek.
11:18
So here we have AliceAlice in greenzöld
269
663000
2000
Itt látjuk, Alice-t zölddel jelöltük,
11:20
and BobBob in redpiros.
270
665000
2000
Bobot pirossal.
11:22
We overlayoverlay them. This is actualtényleges dataadat.
271
667000
3000
Összevetjük őket. Ez a jelenlegi eredmény.
11:25
And you can see, mostlytöbbnyire it overlapsátfedések and it's yellowsárga,
272
670000
3000
Láthatjuk, hogy nagy az átfedés, ezt jelöli a sárga szín,
11:28
but there's some things that just AliceAlice has
273
673000
2000
de van valami, ami csak Alicenél figyelhető meg,
11:30
and some things that just BobBob has.
274
675000
2000
és valami, ami csak Bobnál.
11:32
And if we find a patternminta of things
275
677000
3000
Ha megtaláljuk, mi az,
11:35
of the respondersválaszadók to the drugdrog,
276
680000
3000
ami alapján a gyógyszerre reagálnak,
11:38
we see that in the bloodvér,
277
683000
2000
akkor látjuk, mi az a
11:40
they have the conditionfeltétel
278
685000
2000
körülmény a vérükben.
11:42
that allowslehetővé tesz them to respondreagál to this drugdrog.
279
687000
2000
ami alapján reagálnak a gyógyszerre.
11:44
We mightesetleg not even know what this proteinfehérje is,
280
689000
2000
Lehet, hogy nem is tudjuk mi az a fehérje,
11:46
but we can see it's a markermarker
281
691000
2000
de látjuk a betegségre való
11:48
for the responseválasz to the diseasebetegség.
282
693000
2000
válaszreakció jelzőjét.
11:53
So this alreadymár, I think,
283
698000
2000
Ez, úgy gondolom,
11:55
is tremendouslyborzasztóan usefulhasznos in all kindsféle of medicinegyógyszer.
284
700000
3000
már önmagában nagyon hasznos dolog minden gyógyászat esetében.
11:58
But I think this is actuallytulajdonképpen
285
703000
2000
Azt hiszem azonban, hogy
12:00
just the beginningkezdet
286
705000
2000
ez csak a kezdete annak,
12:02
of how we're going to treatcsemege cancerrák.
287
707000
2000
hogy hogyan fogjuk kezelni a rákot.
12:04
So let me movemozog to cancerrák.
288
709000
2000
Térjünk tehát át a rákra.
12:06
The thing about cancerrák --
289
711000
2000
A rákkal az a helyzet,
12:08
when I got into this,
290
713000
2000
hogy amikor elkezdtem a témával foglalkozni,
12:10
I really knewtudta nothing about it,
291
715000
2000
nem tudtam róla semmit,
12:12
but workingdolgozó with DavidDavid AgusSzabolcs,
292
717000
2000
de David Agussal dolgozva
12:14
I startedindult watchingnézni how cancerrák was actuallytulajdonképpen beinglény treatedkezelt
293
719000
3000
elkezdett érdekelni a rákgyógyítás,
12:17
and wentment to operationsművelet where it was beinglény cutvágott out.
294
722000
3000
és elkezdtem műtétekre járni, ahol a rákot kioperálták.
12:20
And as I lookednézett at it,
295
725000
2000
Úgy láttam,
12:22
to me it didn't make senseérzék
296
727000
2000
ennek a fajta megközelítésnek
12:24
how we were approachingközeledik cancerrák,
297
729000
2000
nincsen értelme.
12:26
and in ordersorrend to make senseérzék of it,
298
731000
3000
Azért, hogy értelme legyen,
12:29
I had to learntanul where did this come from.
299
734000
3000
meg kellett tudnom, hogy hogy alakult ki.
12:32
We're treatingkezelésére cancerrák almostmajdnem like it's an infectiousfertőző diseasebetegség.
300
737000
4000
Majdhogynem úgy kezeljük a rákot, mintha ragályos betegség lenne.
12:36
We're treatingkezelésére it as something that got insidebelül of you
301
741000
2000
Úgy kezeljük, mintha kivülről került volna a szervezetbe,
12:38
that we have to killmegöl.
302
743000
2000
és meg kellene semmisítenünk.
12:40
So this is the great paradigmparadigma.
303
745000
2000
Ez tehát a nagyszerű paradigma.
12:42
This is anotheregy másik caseügy
304
747000
2000
Egy másik eset,
12:44
where a theoreticalelméleti paradigmparadigma in biologybiológia really workeddolgozott --
305
749000
2000
melyben a biológia egy elméleti paradigmája tényleg működött --
12:46
was the germcsíra theoryelmélet of diseasebetegség.
306
751000
3000
a betegségek bacilus-elmélete volt.
12:49
So what doctorsorvosok are mostlytöbbnyire trainedkiképzett to do
307
754000
2000
Az orvosokat jobbára arra képesítik,
12:51
is diagnosediagnosztizál --
308
756000
2000
hogy diagnosztizáljanak --
12:53
that is, put you into a categorykategória
309
758000
2000
vagyis arra, hogy beskatulyázzanak --
12:55
and applyalkalmaz a scientificallytudományosan provenigazolt treatmentkezelés
310
760000
2000
és tudományosan bevált módszerekkel
12:57
for that diagnosisdiagnózis --
311
762000
2000
kezeljék ezt a diagnózist.
12:59
and that worksművek great for infectiousfertőző diseasesbetegségek.
312
764000
3000
Ez márpedig remekül működik a fertőző betegségek esetén.
13:02
So if we put you in the categorykategória
313
767000
2000
Amennyiben tehát besoroljuk egy kategóriába,
13:04
of you've got syphilisszifilisz, we can give you penicillinpenicillin.
314
769000
3000
például, hogy szifiliszes, adhatunk penicillint.
13:07
We know that that worksművek.
315
772000
2000
Tudjuk, hogy az hatni fog.
13:09
If you've got malariamalária, we give you quininekinin
316
774000
2000
Ha maláriás a beteg, kinint adunk,
13:11
or some derivativederivált of it.
317
776000
2000
vagy annak valamilyen származékát.
13:13
And so that's the basicalapvető thing doctorsorvosok are trainedkiképzett to do,
318
778000
3000
Ez a legalapvetőbb dolog, amire az orvosokat felkészítették.
13:16
and it's miraculouscsodálatos
319
781000
2000
Fertőző betegségek esetén
13:18
in the caseügy of infectiousfertőző diseasebetegség --
320
783000
3000
csodálatosan működik --
13:21
how well it worksművek.
321
786000
2000
de még mennyire jól!
13:23
And manysok people in this audienceközönség probablyvalószínűleg wouldn'tnem be aliveélő
322
788000
3000
A közönség tagjai közül sokan valószínűleg nem is lennének
13:26
if doctorsorvosok didn't do this.
323
791000
2000
közöttünk, ha az orvosok ezt nem tennék.
13:28
But now let's applyalkalmaz that
324
793000
2000
De térjünk át a rendszer megbetegedésekre,
13:30
to systemsrendszerek diseasesbetegségek like cancerrák.
325
795000
2000
mint amilyen a rák.
13:32
The problemprobléma is that, in cancerrák,
326
797000
2000
A rák esetében az a gond,
13:34
there isn't something elsemás
327
799000
2000
hogy a rákon kívül
13:36
that's insidebelül of you.
328
801000
2000
más nem került be a szervezetbe.
13:38
It's you; you're brokentörött.
329
803000
2000
Csak a beteg van, megtörve.
13:40
That conversationbeszélgetés insidebelül of you
330
805000
4000
A szervezetben zajló beszélgetés
13:44
got mixedvegyes up in some way.
331
809000
2000
valahogy összezavarodott.
13:46
So how do we diagnosediagnosztizál that conversationbeszélgetés?
332
811000
2000
Hogyan diagnosztizáljuk ezt a beszélgetést?
13:48
Well, right now what we do is we dividefeloszt it by partrész of the bodytest --
333
813000
3000
Először is testrészekhez rendelten vizsgáljuk--
13:51
you know, where did it appearmegjelenik? --
334
816000
3000
vagyis, hogy mely testrészben jelentkezett --
13:54
and we put you in differentkülönböző categorieskategóriák
335
819000
2000
És e testrészek szerint
13:56
accordingszerint to the partrész of the bodytest.
336
821000
2000
kategorizáljuk be a betegeket.
13:58
And then we do a clinicalklinikai trialpróba
337
823000
2000
Azután elvégezzük a tüdőrák,
14:00
for a drugdrog for lungtüdő cancerrák
338
825000
2000
a prosztata-rák és a mellrák
14:02
and one for prostateprosztata cancerrák and one for breastmell cancerrák,
339
827000
3000
gyógyszerének klinikai kísérletét
14:05
and we treatcsemege these as if they're separatekülönálló diseasesbetegségek
340
830000
3000
oly módon, hogy különálló betegségekként kezeljük őket.
14:08
and that this way of dividingválasztóvonal them
341
833000
2000
Azonban ha ily módon különböző betegségekként kezeljük őket,
14:10
had something to do with what actuallytulajdonképpen wentment wrongrossz.
342
835000
2000
úgy teszünk, mintha a megkülönböztetésükkel
14:12
And of coursetanfolyam, it really doesn't have that much to do
343
837000
2000
közelebb jutnánk ahhoz, hogy mi a gond.
14:14
with what wentment wrongrossz
344
839000
2000
De természetesen nem sok köze van ahhoz, hogy mi a gond.
14:16
because cancerrák is a failurehiba of the systemrendszer.
345
841000
3000
Hiszen a rák a rendszer meghibásodása.
14:19
And in facttény, I think we're even wrongrossz
346
844000
2000
Valójában azt gondolom, hogy a rákról
14:21
when we talk about cancerrák as a thing.
347
846000
3000
egyáltalán nem is mint "dologról" kell beszélnünk.
14:24
I think this is the bignagy mistakehiba.
348
849000
2000
Azt hiszem, ebben áll a nagy tévedésünk.
14:26
I think cancerrák should not be a nounFőnév.
349
851000
4000
Úgy vélem, a rákot nem is főnévként kell használni.
14:30
We should talk about canceringCancering
350
855000
2000
"Rákolásról" kellene beszélnünk,
14:32
as something we do, not something we have.
351
857000
3000
olyasvalamiről, amit mi csinálunk, nem olyasvalamiről, amit birtoklunk.
14:35
And so those tumorstumorok,
352
860000
2000
A tumorok tehát
14:37
those are symptomstünetek of cancerrák.
353
862000
2000
a rák tünetei.
14:39
And so your bodytest is probablyvalószínűleg canceringCancering all the time,
354
864000
3000
A szervezetünk valószínűleg minduntalan "rákol."
14:42
but there are lots of systemsrendszerek in your bodytest
355
867000
3000
De több rendszer is van a szervezetben,
14:45
that keep it underalatt controlellenőrzés.
356
870000
2000
amely kordában tartja a rákot.
14:47
And so to give you an ideaötlet
357
872000
2000
Mondok egy hasonlatot
14:49
of an analogyanalógia of what I mean
358
874000
2000
csak hogy érthetőbb legyen, miről beszélek,
14:51
by thinkinggondolkodás of canceringCancering as a verbige,
359
876000
3000
amikor azt mondom, hogy a rák ige.
14:54
imagineKépzeld el we didn't know anything about plumbingcsőhálózat,
360
879000
3000
Képzeljék el, hogy nem tudunk semmit a vízvezetékszerelésről,
14:57
and the way that we talkedbeszélt about it,
361
882000
2000
és pont, amikor szóba jön a témája,
14:59
we'dHázasodik come home and we'dHázasodik find a leakszivárog in our kitchenkonyha
362
884000
3000
és hazaérünk, látjuk, hogy beázott a konyha,
15:02
and we'dHázasodik say, "Oh, my houseház has watervíz."
363
887000
4000
és felkiáltunk, hogy "Jaj, víz van a házban."
15:06
We mightesetleg dividefeloszt it -- the plumbervízvezeték-szerelő would say, "Well, where'shol van the watervíz?"
364
891000
3000
Két nézőpontot különböztethetünk itt meg: a vízvezeték szerelő azt kérdezné: "hol a víz?"
15:09
"Well, it's in the kitchenkonyha." "Oh, you mustkell have kitchenkonyha watervíz."
365
894000
3000
"A konyhában". "Jó, akkor a konyhában szerelünk".
15:12
That's kindkedves of the levelszint at whichmelyik it is.
366
897000
3000
Szóval ilyen szinten vagyunk.
15:15
"KitchenKonyha watervíz,
367
900000
2000
"Hogy szerelünk?"
15:17
well, first of all, we'lljól go in there and we'lljól mopmop out a lot of it.
368
902000
2000
Igen, először feltöröljük a nagyját.
15:19
And then we know that if we sprinkleMegszórjuk DranoDrano around the kitchenkonyha,
369
904000
3000
Tudhatjuk, hogy ha Draino-t permetezünk a lefolyóba,
15:22
that helpssegít.
370
907000
3000
az is segít.
15:25
WhereasMivel livingélő roomszoba watervíz,
371
910000
2000
Ezzel szemben ha a nagyszoba ázik be,
15:27
it's better to do tarTar on the rooftető."
372
912000
2000
jobban járunk, ha a tetőfedéssel kezdjük.
15:29
And it soundshangok sillybolondos,
373
914000
2000
Ostobán hangzik,
15:31
but that's basicallyalapvetően what we do.
374
916000
2000
de alapjában véve ilyenek vagyunk.
15:33
And I'm not sayingmondás you shouldn'tne mopmop up your watervíz if you have cancerrák,
375
918000
3000
Nem azt mondom, hogy mulasszunk el valamit, ami itt a víz feltörlése, ha rákról van szó.
15:36
but I'm sayingmondás that's not really the problemprobléma;
376
921000
3000
Azt mondom, hogy nem ez a valódi probléma;
15:39
that's the symptomtünet of the problemprobléma.
377
924000
2000
ez a problémának a tünete.
15:41
What we really need to get at
378
926000
2000
Ahova valóban el kell jutnunk,
15:43
is the processfolyamat that's going on,
379
928000
2000
az a folyamat megértése,
15:45
and that's happeningesemény at the levelszint
380
930000
2000
az pedig a proteomikus mozzanatok
15:47
of the proteonomicproteonomic actionsakciók,
381
932000
2000
szintjén történik,
15:49
happeningesemény at the levelszint of why is your bodytest not healinggyógyulás itselfmaga
382
934000
3000
az a kérdés, hogy miért nem indulnak
15:52
in the way that it normallynormális esetben does?
383
937000
2000
be a szervezet öngyógyító folyamatai, ahogy máskor?
15:54
Because normallynormális esetben, your bodytest is dealingfoglalkozó with this problemprobléma all the time.
384
939000
3000
Hiszen máskor a szervezetünk folyton megküzd ezzel a problémával.
15:57
So your houseház is dealingfoglalkozó with leaksszivárog all the time,
385
942000
3000
A lakásban mindig vannak szivárgások.
16:00
but it's fixingrögzítő them. It's drainingelvezetés them out and so on.
386
945000
4000
De nem mindig okoznak gondot. A víz elfolyik a lefolyóba, stb.
16:04
So what we need
387
949000
3000
Amire tehát szükségünk van,
16:07
is to have a causativekiváltó modelmodell
388
952000
4000
az egy okozati modell,
16:11
of what's actuallytulajdonképpen going on,
389
956000
2000
mely mutatja, hogy mi is történik.
16:13
and proteomicsProteomikai kutatócsoport actuallytulajdonképpen givesad us
390
958000
3000
A proteomika pedig lehetőséget
16:16
the abilityképesség to buildépít a modelmodell like that.
391
961000
3000
biztosít számunkra egy ilyen modell felállításához.
16:19
DavidDavid got me invitedmeghívott
392
964000
2000
David meghívott, hogy tartsak egy előadást
16:21
to give a talk at NationalNemzeti CancerRák InstituteIntézet
393
966000
2000
a Nemzeti Rák Intézetben,
16:23
and AnnaAnna BarkerBarker was there.
394
968000
3000
és ott volt Anna Barker is.
16:27
And so I gaveadott this talk
395
972000
2000
Amikor az előadás során ott tartottam,
16:29
and said, "Why don't you guys do this?"
396
974000
3000
hogy "Gyerekek, Miért nem vágtok ebbe bele?",
16:32
And AnnaAnna said,
397
977000
2000
Anna azt mondta:
16:34
"Because nobodysenki withinbelül cancerrák
398
979000
3000
"Mert senki nem fogja
16:37
would look at it this way.
399
982000
2000
a rákot így megközelíteni.
16:39
But what we're going to do, is we're going to createteremt a programprogram
400
984000
3000
Viszont azt megtehetjük, hogy létrehozunk
16:42
for people outsidekívül the fieldmező of cancerrák
401
987000
2000
egy programot a rákkutatás területén kívül állók
16:44
to get togetheregyütt with doctorsorvosok
402
989000
2000
számára, hogy üljenek össze olyan orvosokkal,
16:46
who really know about cancerrák
403
991000
3000
akik tényleg szakértők a témában
16:49
and work out differentkülönböző programsprogramok of researchkutatás."
404
994000
4000
és dolgozzanak ki különböző programterveket."
16:53
So DavidDavid and I appliedalkalmazott to this programprogram
405
998000
2000
Így aztán Daviddal jelentkeztünk erre a programra,
16:55
and createdkészítette a consortiumkonzorcium
406
1000000
2000
és konzorciumot hoztunk létre
16:57
at USCUSC
407
1002000
2000
az USC-n,
16:59
where we'vevoltunk got some of the bestlegjobb oncologistsonkológusok in the worldvilág
408
1004000
3000
ahol a Cold Spring Harbortól
17:02
and some of the bestlegjobb biologistsbiológusok in the worldvilág,
409
1007000
3000
a Stanfordon át Austinig -
17:05
from ColdHideg SpringTavaszi HarborKikötő,
410
1010000
2000
most nem sorolom fel a többi neves helyet,
17:07
StanfordStanford, AustinAustin --
411
1012000
2000
a világ legjobb onkológusai dolgoznak,
17:09
I won'tszokás even go throughkeresztül and namenév all the placeshelyek --
412
1014000
3000
a világ néhány legjobb biológusáról nem is beszélve,
17:12
to have a researchkutatás projectprogram
413
1017000
3000
hogy öt évre szóló
17:15
that will last for fiveöt yearsévek
414
1020000
2000
kutatási projektet dolgozzunk ki,
17:17
where we're really going to try to buildépít a modelmodell of cancerrák like this.
415
1022000
3000
és megkíséreljük a ráknak egy ilyen modelljét felépíteni.
17:20
We're doing it in miceegerek first,
416
1025000
2000
Először egerekkel kísérletezünk.
17:22
and we will killmegöl a lot of miceegerek
417
1027000
2000
Sok egeret meg fogunk ölni
17:24
in the processfolyamat of doing this,
418
1029000
2000
a kísérlet során,
17:26
but they will diemeghal for a good causeok.
419
1031000
2000
de haláluk nemes célt fog szolgálni.
17:28
And we will actuallytulajdonképpen try to get to the pointpont
420
1033000
3000
Kilátásba helyezzük,
17:31
where we have a predictivea prediktív modelmodell
421
1036000
2000
hogy a jövőben lesz egy olyan modell,
17:33
where we can understandmegért,
422
1038000
2000
ami alapján megérthetjük,
17:35
when cancerrák happensmegtörténik,
423
1040000
2000
mikor lesz az ember rákos,
17:37
what's actuallytulajdonképpen happeningesemény in there
424
1042000
2000
mi is történik ilyenkor valójában,
17:39
and whichmelyik treatmentkezelés will treatcsemege that cancerrák.
425
1044000
3000
és mely kezelés szükséges.
17:42
So let me just endvég with givingígy you a little picturekép
426
1047000
3000
Hadd fejezzem be egy képpel,
17:45
of what I think cancerrák treatmentkezelés will be like in the futurejövő.
427
1050000
3000
ami bemutatja, hogy véleményem szerint hogy fog kinézni a jövő rákkezelése.
17:48
So I think eventuallyvégül is,
428
1053000
2000
Végül azt gondolom,
17:50
onceegyszer we have one of these modelsmodellek for people,
429
1055000
2000
ha birtokában lennénk egy ilyen modellnek,
17:52
whichmelyik we'lljól get eventuallyvégül is --
430
1057000
2000
ami meg fog történni --
17:54
I mean, our groupcsoport won'tszokás get all the way there --
431
1059000
2000
vagyis a csapatunk talán nem jut el odáig --
17:56
but eventuallyvégül is we'lljól have a very good computerszámítógép modelmodell --
432
1061000
3000
de lesz egy nagyon jó számítógépes modellünk --
17:59
sortfajta of like a globalglobális climateéghajlat modelmodell for weatheridőjárás.
433
1064000
3000
valami olyasmi, mint a globális klíma-modell az időjárás terén.
18:02
It has lots of differentkülönböző informationinformáció
434
1067000
3000
Különféle információval szolgál
18:05
about what's the processfolyamat going on in this proteomicproteomic conversationbeszélgetés
435
1070000
3000
több különböző skálán
18:08
on manysok differentkülönböző scalesMérleg.
436
1073000
2000
arról, milyen folyamatok zajlanak a proteomikus párbeszédkor.
18:10
And so we will simulateszimulálni
437
1075000
2000
Mi pedig szimulálni fogunk
18:12
in that modelmodell
438
1077000
2000
ezzel a modellel
18:14
for your particularkülönös cancerrák --
439
1079000
3000
az adott rákfajtájának megfelelően --
18:17
and this alsois will be for ALSALS,
440
1082000
2000
az ALS-re és bármelyik idegrendszeri
18:19
or any kindkedves of systemrendszer neurodegenerativeneurodegeneratív diseasesbetegségek,
441
1084000
3000
megbetegedésre is alkalmazható lesz.
18:22
things like that --
442
1087000
2000
Ily módon,
18:24
we will simulateszimulálni
443
1089000
2000
személyre szabottan
18:26
specificallykifejezetten you,
444
1091000
2000
szimuláljuk majd,
18:28
not just a genericgenerikus personszemély,
445
1093000
2000
nem egy általánosságban vett személyre,
18:30
but what's actuallytulajdonképpen going on insidebelül you.
446
1095000
2000
hanem azt nézzük, hogy az adott egyénben épp mi zajlik.
18:32
And in that simulationtettetés, what we could do
447
1097000
2000
Amit meg tudtunk tenni a szimuláció során,
18:34
is designtervezés for you specificallykifejezetten
448
1099000
2000
az az, hogy személyre szabott kezelések sorát
18:36
a sequencesorrend of treatmentskezelések,
449
1101000
2000
tervezzük meg,
18:38
and it mightesetleg be very gentlekedves treatmentskezelések, very smallkicsi amountsösszegek of drugsgyógyszerek.
450
1103000
3000
és ezek lehetnek nagyon finom kezelések, nagyon kis adag gyógyszerekkel.
18:41
It mightesetleg be things like, don't eateszik that day,
451
1106000
3000
Előfordulhat, hogy azt mondjuk valakinek, hogy kimondottan aznap ne egyen ezt vagy azt,
18:44
or give them a little chemotherapykemoterápiás kezelés,
452
1109000
2000
vagy adunk egy kis kemoterápiát,
18:46
maybe a little radiationsugárzás.
453
1111000
2000
talán egy kis sugárkezelést.
18:48
Of coursetanfolyam, we'lljól do surgerysebészet sometimesnéha and so on.
454
1113000
3000
Persze fogunk műtéteket is végrehajtani néha stb.
18:51
But designtervezés a programprogram of treatmentskezelések specificallykifejezetten for you
455
1116000
3000
A lényeg, hogy személyre szabottan tervezzük a kezelési programot,
18:54
and help your bodytest
456
1119000
3000
és segítjük a szervezetet
18:57
guideútmutató back to healthEgészség --
457
1122000
3000
visszaterelni az egészség útjára,
19:00
guideútmutató your bodytest back to healthEgészség.
458
1125000
2000
visszatereljük az egészség felé.
19:02
Because your bodytest will do mosta legtöbb of the work of fixingrögzítő it
459
1127000
4000
Hiszen a szervezet úgyis meg fogja tenni a maga gyógyító folyamatát,
19:06
if we just sortfajta of propprop it up in the waysmódokon that are wrongrossz.
460
1131000
3000
elég lesz, ha rossz irányból bombázzuk.
19:09
We put it in the equivalentegyenértékű of splintssínek.
461
1134000
2000
Olyankor sínbe tesszük - képletesen.
19:11
And so your bodytest basicallyalapvetően has lots and lots of mechanismsmechanizmusok
462
1136000
2000
A szervezetnek tulajdonképpen nagyon nagyon sok mechanizmus van
19:13
for fixingrögzítő cancerrák,
463
1138000
2000
a rák gyógyítására,
19:15
and we just have to propprop those up in the right way
464
1140000
3000
nekünk csak a jó irányba kell ezeket terelnünk,
19:18
and get them to do the jobmunka.
465
1143000
2000
onnantól már tudják, mi a dolguk.
19:20
And so I believe that this will be the way
466
1145000
2000
Azt gondolom, ez lesz a
19:22
that cancerrák will be treatedkezelt in the futurejövő.
467
1147000
2000
jövő rákgyógyítási módja.
19:24
It's going to requirekíván a lot of work,
468
1149000
2000
Fáradságos munkát fog igényelni,
19:26
a lot of researchkutatás.
469
1151000
2000
sok kutatást.
19:28
There will be manysok teamscsapat like our teamcsapat
470
1153000
3000
Sok, a miénkhez hasonló csapat fog
19:31
that work on this.
471
1156000
2000
alakulni, hogy ezen dolgozzon.
19:33
But I think eventuallyvégül is,
472
1158000
2000
De végül is azt gondolom,
19:35
we will designtervezés for everybodymindenki
473
1160000
2000
hogy mindenki számára elérhető lesz egy
19:37
a customEgyéni treatmentkezelés for cancerrák.
474
1162000
4000
személyre szóló rákkezelési program.
19:41
So thank you very much.
475
1166000
2000
Köszönöm szépen.
19:43
(ApplauseTaps)
476
1168000
6000
(Taps)

▲Back to top

ABOUT THE SPEAKER
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.

Why you should listen

Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.

More profile about the speaker
Danny Hillis | Speaker | TED.com