TEDMED 2018
Yaniv Erlich: How we're building the world's largest family tree
Yaniv Erlich: Hogyan állítjuk össze a világ legnagyobb családfáját?
Filmed:
Readability: 4.9
1,507,766 views
Yaniv Erlich számítógépes családfakutató segítségével sikerült összeállítani a világ legnagyobb családfáját, amely 13 millió főt ölel fel, és több mint 500 évre nyúlik vissza. Elmondja, milyen elképesztő mintázatokhoz jutottak munkájukból: szerelmi életünkre, egészségünkre, sőt még évtizedes bűnügyekre vonatkozólag is. Bemutatja, hogy a közösségi összefogással végzett családfakutatásból származó adatbázisokból fény derülhet nemcsak a múltra, hanem a jövőre is.
Yaniv Erlich - Computational geneticist
Yaniv Erlich is fascinated by the connection between DNA and data. Full bio
Yaniv Erlich is fascinated by the connection between DNA and data. Full bio
Double-click the English transcript below to play the video.
00:12
People use the internet
for various reasons.
for various reasons.
0
817
3452
Más-más okból szoktuk
az internetet használni.
az internetet használni.
00:17
It turns out that one of the most
popular categories of website
popular categories of website
1
5765
3804
Kiderül, hogy a legnépszerűbb
fajtájú weboldal
fajtájú weboldal
00:21
is something that people
typically consume in private.
typically consume in private.
2
9593
2872
főleg bizalmas körben használatos.
00:25
It involves curiosity,
3
13639
2510
Kíváncsiságot vált ki,
00:28
non-insignificant levels
of self-indulgence
of self-indulgence
4
16173
3796
vágyaink nem lényegtelen
mértékű kielégítését,
mértékű kielégítését,
00:31
and is centered around recording
the reproductive activities
the reproductive activities
5
19993
3260
és mások szaporító
tevékenységének rögzítése
tevékenységének rögzítése
00:35
of other people.
6
23277
1309
körül forog.
00:36
(Laughter)
7
24610
1032
(Nevetés)
00:37
Of course, I'm talking about genealogy --
8
25666
2250
Persze, hogy a családfáról van szó!
00:39
(Laughter)
9
27940
1214
(Nevetés)
00:41
the study of family history.
10
29178
1702
A családtörténet tanulmányozásáról.
00:43
When it comes to detailing family history,
11
31353
2037
Mikor családtörténetbe merülünk,
00:45
in every family, we have this person
that is obsessed with genealogy.
that is obsessed with genealogy.
12
33414
3943
minden családban akad valaki,
aki a nemzedékrend megszállottja.
aki a nemzedékrend megszállottja.
00:49
Let's call him Uncle Bernie.
13
37381
1713
Nevezzük Béla bácsinak.
00:51
Uncle Bernie is exactly the last person
you want to sit next to
you want to sit next to
14
39118
3782
Béla bácsi mellett egyáltalán
nem szeretnénk ülni
nem szeretnénk ülni
00:54
in Thanksgiving dinner,
15
42924
1599
családi találkozón,
00:56
because he will bore you to death
with peculiar details
with peculiar details
16
44547
2814
mert halálra fog untatni
valamely távoli ősünkre vonatkozó
sajátságos részletekkel.
sajátságos részletekkel.
00:59
about some ancient relatives.
17
47385
1966
01:02
But as you know,
18
50462
1262
De mint tudják,
01:03
there is a scientific side for everything,
19
51748
2872
mindennek létezik tudományos oldala is,
01:06
and we found that Uncle Bernie's stories
20
54644
2978
és Béla bácsi történeteiből
01:09
have immense potential
for biomedical research.
for biomedical research.
21
57646
3168
az orvosbiológiai kutatás
mérhetetlenül sokat meríthet.
mérhetetlenül sokat meríthet.
01:13
We let Uncle Bernie
and his fellow genealogists
and his fellow genealogists
22
61306
2714
Hagyjuk, hogy Béla bácsi
és családfakutató társai
és családfakutató társai
01:16
document their family trees through
a genealogy website called geni.com.
a genealogy website called geni.com.
23
64044
4668
rögzítsék családfájukat a geni.com
nemzedékrendi honlapon.
nemzedékrendi honlapon.
01:21
When users upload
their trees to the website,
their trees to the website,
24
69198
2128
Mikor családfájukat feltöltik a használók,
01:23
it scans their relatives,
25
71350
1690
a program átfésüli a rokonságot,
01:25
and if it finds matches to existing trees,
26
73064
2075
fölleli a kapcsolódási pontokat,
01:27
it merges the existing
and the new tree together.
and the new tree together.
27
75163
3610
és összeilleszti a családfákat.
01:31
The result is that large
family trees are created,
family trees are created,
28
79768
2950
Ennek eredményeként
óriási családfa jön létre,
óriási családfa jön létre,
01:34
beyond the individual level
of each genealogist.
of each genealogist.
29
82742
3479
amely meghaladja bármely kutató szintjét.
01:38
Now, by repeating this process
with millions of people
with millions of people
30
86808
4129
Ha a folyamatot milliónyi
egyénnel megismételjük
egyénnel megismételjük
01:42
all over the world,
31
90961
1817
szerte a világon,
01:44
we can crowdsource the construction
of a family tree of all humankind.
of a family tree of all humankind.
32
92802
5532
összeáll az emberiség családfája.
01:51
Using this website,
33
99292
1584
E weboldalon
01:52
we were able to connect 125 million people
34
100900
4813
125 millió főt tudtunk összekapcsolni
01:57
into a single family tree.
35
105737
2521
közös családfává.
02:00
I cannot draw the tree
on the screens over here
on the screens over here
36
108967
2788
Nem tudom a fát a kivetítőre fölrajzolni,
02:03
because they have less pixels
37
111779
2165
mert kevesebb pixelből áll,
02:05
than the number of people in this tree.
38
113968
2513
mint a fán szereplők száma.
02:08
But here is an example of a subset
of 6,000 individuals.
of 6,000 individuals.
39
116505
5010
De itt egy példa 6000 fő részhalmazára.
02:14
Each green node is a person.
40
122159
2362
Minden zöld csomópont egy-egy személy.
02:17
The red nodes represent marriages,
41
125060
2849
A vörös csomópontok a házasságok,
02:19
and the connections represent parenthood.
42
127933
2258
az összekötő vonalak a szülői kapcsolatok.
02:22
In the middle of this tree,
you see the ancestors.
you see the ancestors.
43
130557
2372
A fa közepén az ősök láthatók.
02:24
And as we go to the periphery,
you see the descendants.
you see the descendants.
44
132953
2604
A szélek felé haladva
a leszármazottakat látjuk.
a leszármazottakat látjuk.
E fa kb. hét nemzedéket fog át.
02:27
This tree has seven
generations, approximately.
generations, approximately.
45
135581
3102
02:31
Now, this is what happens
when we increase the number of individuals
when we increase the number of individuals
46
139692
3234
Ez történik, ha a személyek számát
02:34
to 70,000 people --
47
142950
1828
70 ezerre növeljük:
02:36
still a tiny subset
of all the data that we have.
of all the data that we have.
48
144802
4330
még mindig összes adatunk
apró részhalmaza.
apró részhalmaza.
02:41
Despite that, you can already see
the formation of gigantic family trees
the formation of gigantic family trees
49
149629
4813
Ennek dacára már kirajzolódik
a rengeteg igen távoli
rokonból álló óriási családfa.
rokonból álló óriási családfa.
02:46
with many very distant relatives.
50
154466
2655
02:49
Thanks to the hard work
of our genealogists,
of our genealogists,
51
157610
3134
Családfakutatóink áldozatos
munkájának köszönhetően
munkájának köszönhetően
02:52
we can go back in time
hundreds of years ago.
hundreds of years ago.
52
160768
3103
több száz évvel visszamehetünk.
02:56
For example, here is Alexander Hamilton,
53
164418
3441
Pl. ő itt Alexander Hamilton,
02:59
who was born in 1755.
54
167883
2475
aki 1755-ben született.
03:02
Alexander was the first
US Secretary of the Treasury,
US Secretary of the Treasury,
55
170872
3764
Alexander volt az USA
első pénzügyminisztere,
első pénzügyminisztere,
03:06
but mostly known today
due to a popular Broadway musical.
due to a popular Broadway musical.
56
174660
3831
de ma inkább a népszerű
Broadway-musicalból ismert.
Broadway-musicalból ismert.
03:11
We found that Alexander has deeper
connections in the showbiz industry.
connections in the showbiz industry.
57
179137
4922
Kiderült, hogy Alexandernek erős
a kapcsolata a szórakoztatóiparral.
a kapcsolata a szórakoztatóiparral.
03:16
In fact, he's a blood relative of ...
58
184083
2111
Vérrokona...
03:18
Kevin Bacon!
59
186781
1220
Kevin Bacon színésznek!
03:20
(Laughter)
60
188025
2032
(Nevetés)
03:22
Both of them are descendants
of a lady from Scotland
of a lady from Scotland
61
190081
2606
Mindketten egy 13. századi
03:24
who lived in the 13th century.
62
192711
2314
skót lady leszármazottai.
03:27
So you can say that Alexander Hamilton
63
195049
3102
Tehát Alexander Hamilton
03:30
is 35 degrees of Kevin Bacon genealogy.
64
198175
3188
Kevin Bacon 35-öd fokú rokona.
03:33
(Laughter)
65
201387
1441
(Nevetés)
03:34
And our tree has millions
of stories like that.
of stories like that.
66
202852
3230
A fa milliónyi hasonló
történetet tartalmaz.
történetet tartalmaz.
03:40
We invested significant efforts
to validate the quality of our data.
to validate the quality of our data.
67
208113
4890
Nagy erőt fektettünk be
adataink minőség-ellenőrzésébe.
adataink minőség-ellenőrzésébe.
03:45
Using DNA, we found that .3 percent of
the mother-child connections in our data
the mother-child connections in our data
68
213027
5391
DNS-vizsgálatokból derült ki,
hogy adatainkban az anya-gyerek
kapcsolat 0,3%-ban hamis,
kapcsolat 0,3%-ban hamis,
03:50
are wrong,
69
218442
1250
03:51
which could match the adoption rate
in the US pre-Second World War.
in the US pre-Second World War.
70
219716
3591
ami egybeesik az USA II. világháború
előtti örökbe fogadási arányával.
előtti örökbe fogadási arányával.
03:56
For the father's side,
71
224847
1785
Az apai oldalon
03:58
the news is not as good:
72
226656
1961
a helyzet sokkal rosszabb:
04:02
1.9 percent of the father-child
connections in our data are wrong.
connections in our data are wrong.
73
230149
5600
adatainkban az apa-gyerek
kapcsolat 1,9%-ban hamis.
kapcsolat 1,9%-ban hamis.
04:07
And I see some people smirk over here.
74
235773
2363
Látom, hogy egypáran ezen somolyognak.
04:10
It is what you think --
75
238160
1717
Biztos arra gondolnak,
04:11
there are many milkmen out there.
76
239901
1789
hogy mennyi postás jár-kel.
04:13
(Laughter)
77
241714
1064
(Nevetés)
04:14
However, this 1.9 percent error rate
in patrilineal connections
in patrilineal connections
78
242802
3989
De az apai ági kapcsolatok
1,9%-os hibaaránya
1,9%-os hibaaránya
04:18
is not unique to our data.
79
246815
1769
adatainkban nem kivételes.
04:20
Previous studies found
a similar error rate
a similar error rate
80
248608
3069
Korábbi tanulmányok hasonló
hibaarányt mutattak ki
hibaarányt mutattak ki
04:23
using clinical-grade pedigrees.
81
251701
2021
klinikai szintű családfák esetén.
04:26
So the quality of our data is good,
82
254254
2525
Tehát adataink jó minőségűek,
04:28
and that should not be a surprise.
83
256803
2133
és ez nem meglepő.
04:30
Our genealogists have
a profound, vested interest
a profound, vested interest
84
258960
3776
Kutatóink alaposan
és személyesen érdekeltek abban,
és személyesen érdekeltek abban,
04:34
in correctly documenting
their family history.
their family history.
85
262760
3668
hogy családtörténetüket
megbízhatóan dokumentálják.
megbízhatóan dokumentálják.
04:40
We can leverage this data to learn
quantitative information about humanity,
quantitative information about humanity,
86
268594
4591
Az adatokból számszerű tudáshoz
juthatunk az emberiségről,
juthatunk az emberiségről,
04:45
for example, questions about demography.
87
273209
2596
pl. demográfiai kérdésekről.
04:47
Here is a look at all our profiles
on the map of the world.
on the map of the world.
88
275829
3857
Itt van minden profilunk a világtérképen.
04:52
Each pixel is a person
that lived at some point.
that lived at some point.
89
280250
4481
Minden pixel egy-egy valaha élt ember.
04:56
And since we have so much data,
90
284755
1680
Mivel ilyen sok adatunk van,
04:58
you can see the contours
of many countries,
of many countries,
91
286459
2781
sok ország körvonalai láthatók,
05:01
especially in the Western world.
92
289264
2099
kiváltképp a nyugatiak.
05:03
In this clip, we stratified
the map that I've showed you
the map that I've showed you
93
291387
3548
Ezen a klipen rétegekbe
rendeztük az előbbi térképet
rendeztük az előbbi térképet
05:06
based on the year of births of individuals
from 1400 to 1900,
from 1400 to 1900,
94
294959
5072
a személyek 1400 és 1900
közötti születési éve szerint,
közötti születési éve szerint,
05:12
and we compared it
to known migration events.
to known migration events.
95
300055
2766
és az ismert vándorlási
eseményekkel vetettük össze.
eseményekkel vetettük össze.
05:15
The clip is going to show you
that the deepest lineages in our data
that the deepest lineages in our data
96
303482
3165
A klip megmutatja, hogy adatainkból
látható legmélyebb gyökerek
látható legmélyebb gyökerek
05:18
go all the way back to the UK,
97
306671
1627
az Egyesült Királyságba vezetnek,
05:20
where they had better record keeping,
98
308322
1808
ahol legjobb az adatnyilvántartás,
05:22
and then they spread along
the routes of Western colonialism.
the routes of Western colonialism.
99
310154
3282
és onnan a nyugati gyarmatosítás
útvonalai mentén terjednek tovább.
útvonalai mentén terjednek tovább.
05:25
Let's watch this.
100
313460
1322
Nézzük!
05:27
(Music)
101
315143
1609
(Zene)
05:28
[Year of birth: ]
102
316776
2341
[Születési év:]
05:31
[1492 - Columbus sails the ocean blue]
103
319705
1836
[1492 – Kolumbusz áthajózza az óceánt]
05:35
[1620 - Mayflower lands in Massachusetts]
104
323661
2000
[1620 – A Mayflower
kiköt Massachusettsben]
kiköt Massachusettsben]
05:38
[1652 - Dutch settle in South Africa]
105
326726
1775
[1652 – A hollandok
gyarmatosítják Dél-Afrikát]
gyarmatosítják Dél-Afrikát]
05:44
[1788 - Great Britain penal
transportation to Australia starts]
transportation to Australia starts]
106
332321
3186
[1788 – Nagy-Britannia ausztráliai
fegyencszállításai elkezdődnek]
fegyencszállításai elkezdődnek]
05:47
[1836 - First migrants use Oregon Trail]
107
335531
1927
[1836 – Az első bevándorlók
az Oregoni Ösvényen]
az Oregoni Ösvényen]
05:50
[all activity]
108
338149
3183
[minden tevékenység]
05:55
I love this movie.
109
343851
1543
Szeretem ezt a filmet.
05:57
Now, since these migration events
are giving the context of families,
are giving the context of families,
110
345418
5093
Mivel a vándorlási események
családok kapcsolódását jelzik,
családok kapcsolódását jelzik,
06:02
we can ask questions such as:
111
350535
2183
adódik egypár kérdés:
06:04
What is the typical distance
between the birth locations
between the birth locations
112
352742
3470
Mekkora a jellemző távolság
06:08
of husbands and wives?
113
356236
2812
a férj és feleség születési helye közt?
06:11
This distance plays
a pivotal role in demography,
a pivotal role in demography,
114
359072
3677
A távolság döntő szerepet
játszik a demográfiában,
játszik a demográfiában,
06:14
because the patterns in which
people migrate to form families
people migrate to form families
115
362773
3681
mert a családalapítási célú vándorlás
mintázata meghatározza,
mintázata meghatározza,
06:18
determine how genes spread
in geographical areas.
in geographical areas.
116
366478
3713
hogyan terjednek el a gének
egyes területeken.
egyes területeken.
06:22
We analyzed this distance using our data,
117
370706
2328
Adataink alapján elemeztük a távolságokat,
06:25
and we found that in the old days,
118
373058
2290
és rájöttünk, hogy a régi időkben
az embereknek könnyű volt.
06:27
people had it easy.
119
375372
1230
06:28
They just married someone
in the village nearby.
in the village nearby.
120
376626
2594
A környékbeli falvakba házasodtak.
06:31
But the Industrial Revolution
really complicated our love life.
really complicated our love life.
121
379958
3705
Ám az ipari forradalom bonyolította
szerelmi életünket.
szerelmi életünket.
06:35
And today, with affordable flights
and online social media,
and online social media,
122
383687
4560
Ma a megfizethető repjegyek
és az online közösségi média korában
és az online közösségi média korában
06:40
people typically migrate more than
100 kilometers from their place of birth
100 kilometers from their place of birth
123
388271
4828
jellemzően több mint 100 km-re
vándorolnak születési helyüktől,
vándorolnak születési helyüktől,
06:45
to find their soul mate.
124
393123
1504
hogy lelki társra leljenek.
06:48
So now you might ask:
125
396524
1187
Megkérdezhetik:
06:49
OK, but who does the hard work
of migrating from places to places
of migrating from places to places
126
397735
4496
Jó, de ki veszi magára családalapításért
06:54
to form families?
127
402255
1269
a vándorlás terhét?
06:55
Are these the males or the females?
128
403548
3727
A férfiak vagy a nők?
06:59
We used our data to address this question,
129
407752
2155
A kérdés megválaszolására
legalább az utóbbi 300 év
adatait fölhasználva
adatait fölhasználva
07:01
and at least in the last 300 years,
130
409931
2594
07:04
we found that the ladies do the hard work
131
412549
3883
arra jutottunk,
hogy a hölgyek veszik magukra
a családalapítás miatti vándorlás terhét.
a családalapítás miatti vándorlás terhét.
07:08
of migrating from places
to places to form families.
to places to form families.
132
416456
2996
07:11
Now, these results
are statistically significant,
are statistically significant,
133
419476
3101
Ezek statisztikailag
szignifikáns eredmények,
szignifikáns eredmények,
07:14
so you can take it as scientific fact
that males are lazy.
that males are lazy.
134
422601
3471
így tudományos ténynek tekinthető,
hogy a férfiak lusták.
hogy a férfiak lusták.
07:18
(Laughter)
135
426096
3156
(Nevetés)
07:21
We can move from questions
about demography
about demography
136
429276
2536
A demográfiai kérdéseken túl
07:23
and ask questions about human health.
137
431836
2913
egészségügyi kérdéseket is föltehetünk.
07:26
For example, we can ask
138
434773
1487
Pl. megkérdezhetjük,
hogy milyen a genetikai változatok szerepe
07:28
to what extent genetic variations
account for differences in life span
account for differences in life span
139
436284
4963
az egyes személyek átlagos élettartamában?
07:33
between individuals.
140
441271
1194
07:34
Previous studies analyzed the correlation
of longevity between twins
of longevity between twins
141
442988
4530
Korábbi kutatások elemezték
az ikrek magas kora közti korrelációt,
az ikrek magas kora közti korrelációt,
hogy választ leljenek a kérdésre.
07:39
to address this question.
142
447542
1442
07:41
They estimated that the genetic
variations account for
variations account for
143
449411
2667
Úgy értékelték,
hogy a genetikai változatok
hogy a genetikai változatok
07:44
about a quarter of the differences
in life span between individuals.
in life span between individuals.
144
452102
4040
kb. negyed részben okozzák
az egyének élettartama közti eltérést.
az egyének élettartama közti eltérést.
07:48
But twins can be correlated
due to so many reasons,
due to so many reasons,
145
456688
2598
De ikreknél ez nagyon sok okkal korrelál,
07:51
including various environmental effects
146
459310
2304
pl. különböző környezeti hatásokkal
07:53
or a shared household.
147
461638
1622
vagy közös háztartással.
07:56
Large family trees give us the opportunity
to analyze both close relatives,
to analyze both close relatives,
148
464411
3753
A nagy családfákból elemezhetjük
mind a közeli rokonokat,
mind a közeli rokonokat,
08:00
such as twins,
149
468188
1207
pl. az ikreket,
08:01
all the way to distant relatives,
even fourth cousins.
even fourth cousins.
150
469419
2917
mind a távoli rokonokat, még
a negyed-unokatestvéreket is.
a negyed-unokatestvéreket is.
08:04
This way we can build robust models
151
472749
2689
Így hatalmas modelleket vázolhatunk fel,
08:07
that can tease apart the contribution
of genetic variations
of genetic variations
152
475462
3708
amelyekből elválaszthatjuk
a genetikai változatok hatását
a genetikai változatok hatását
08:11
from environmental factors.
153
479194
1717
a környezeti tényezőkétől.
08:13
We conducted this analysis using our data,
154
481379
2899
Adatainkkal elvégeztük az elemzést,
08:16
and we found that genetic variations
explain only 15 percent
explain only 15 percent
155
484302
5791
melyből kiderült, hogy csak 15%-ban
magyarázzák genetikai változatok
magyarázzák genetikai változatok
08:22
of the differences in life span
between individuals.
between individuals.
156
490117
2806
az egyes személyek élettartama
közti különbséget.
közti különbséget.
08:26
That is five years, on average.
157
494760
2756
Ez átlagosan öt év.
08:30
So genes matter less than
what we thought before to life span.
what we thought before to life span.
158
498316
4708
Tehát a gének az élettartam szempontjából
kevésbé fontosak, mint ahogy hittük.
kevésbé fontosak, mint ahogy hittük.
08:35
And I find it great news,
159
503675
2136
Ezt jelentős eredménynek tartom,
08:38
because it means that
our actions can matter more.
our actions can matter more.
160
506438
3293
mert azt jelenti, hogy tetteink
többet számítanak.
többet számítanak.
08:42
Smoking, for example, determines
10 years of our life expectancy --
10 years of our life expectancy --
161
510533
4274
A dohányzás pl. 10 évet
vesz el az életünkből,
vesz el az életünkből,
08:46
twice as much as what genetics determines.
162
514831
2646
kétszer annyit, mint amennyi
a géneknek róható föl.
a géneknek róható föl.
08:50
We can even have more surprising findings
163
518236
2289
Még meglepőbb dolgokra lelhetünk,
08:52
as we move from family trees
164
520549
1492
ha elhagyjuk a családfákat,
08:54
and we let our genealogists
document and crowdsource DNA information.
document and crowdsource DNA information.
165
522065
4732
és hagyjuk, hogy a DNS-információt
kutatóink dokumentálják.
kutatóink dokumentálják.
08:58
And the results can be amazing.
166
526821
2024
Az eredmény elképesztő lehet.
09:01
It might be hard to imagine,
but Uncle Bernie and his friends
but Uncle Bernie and his friends
167
529255
3915
Tán nehéz elképzelni,
de Béla bácsi és barátai a DNS-ből
de Béla bácsi és barátai a DNS-ből
09:05
can create DNA forensic capabilities
168
533194
2646
igazságügyi orvostani
képességeiket bizonyíthatják,
képességeiket bizonyíthatják,
09:07
that even exceed
what the FBI currently has.
what the FBI currently has.
169
535864
3559
amelyek meghaladják
az FBI jelenlegi szintjét.
az FBI jelenlegi szintjét.
09:12
When you place the DNA
on a large family tree,
on a large family tree,
170
540862
2404
Ha a DNS-t a hatalmas családfára illesztve
09:15
you effectively create a beacon
171
543290
2117
jelzőfényt hozunk létre,
09:17
that illuminates the hundreds
of distant relatives
of distant relatives
172
545431
2634
amely százszámra világítja be
a távoli rokonokat,
a távoli rokonokat,
09:20
that are all connected to the person
that originated the DNA.
that originated the DNA.
173
548089
3490
akik mind kapcsolódnak
az eredeti DNS-t adó személyhez.
az eredeti DNS-t adó személyhez.
09:24
By placing multiple beacons
on a large family tree,
on a large family tree,
174
552505
2913
A nagy családfán
több jelzőfényt elhelyezve
több jelzőfényt elhelyezve
09:27
you can now triangulate the DNA
of an unknown person,
of an unknown person,
175
555442
3720
ugyanazon módszerrel határozhatjuk meg
ismeretlen személy DNS-ét,
ismeretlen személy DNS-ét,
mint amelyet a GPS-rendszer használ
09:31
the same way that the GPS system
uses multiple satellites
uses multiple satellites
176
559186
3938
műholdas helymeghatározásra.
09:35
to find a location.
177
563148
1324
09:37
The prime example
of the power of this technique
of the power of this technique
178
565226
3624
E technika hatékonyságára kiváló példa
a Golden State Killernek
nevezett sorozatgyilkos elkapása,
nevezett sorozatgyilkos elkapása,
09:40
is capturing the Golden State Killer,
179
568874
2675
09:44
one of the most notorious criminals
in the history of the US.
in the history of the US.
180
572612
4528
aki az USA történetének
egyik leghírhedtebb bűnözője.
egyik leghírhedtebb bűnözője.
09:49
The FBI had been searching
for this person for over 40 years.
for this person for over 40 years.
181
577164
5892
Korábban az FBI több mint 40 évig kereste.
09:55
They had his DNA,
182
583588
1835
Megvolt a DNS-e,
09:57
but he never showed up
in any police database.
in any police database.
183
585447
3350
de egyetlen rendőrségi
adatbázisban sem bukkantak rá.
adatbázisban sem bukkantak rá.
10:01
About a year ago, the FBI
consulted a genetic genealogist,
consulted a genetic genealogist,
184
589447
4712
Kb. egy éve az FBI genetikus
családfakutatótól kért tanácsot,
családfakutatótól kért tanácsot,
10:06
and she suggested that they submit
his DNA to a genealogy service
his DNA to a genealogy service
185
594183
3950
ő meg javasolta, hogy juttassák el
bűnöző DNS-ét a kutatószolgálathoz,
bűnöző DNS-ét a kutatószolgálathoz,
10:10
that can locate distant relatives.
186
598157
2398
amely megtalálhatja a távoli rokonokat.
10:13
They did that,
187
601117
1156
Így is tettek,
10:14
and they found a third cousin
of the Golden State Killer.
of the Golden State Killer.
188
602297
3692
és föllelték a Golden State Killer
harmad-unokatestvérét.
harmad-unokatestvérét.
10:18
They built a large family tree,
189
606013
2344
Óriási családfát állítottak össze,
10:20
scanned the different
branches of that tree,
branches of that tree,
190
608381
2102
beszkennelték a fa ágait,
és végül profilra találtak,
10:22
until they found a profile
that exactly matched
that exactly matched
191
610507
2565
amely a Golden State Killer néven
ismert személyre pontosan ráillett.
ismert személyre pontosan ráillett.
10:25
what they knew about
the Golden State Killer.
the Golden State Killer.
192
613096
2581
10:27
They obtained DNA from this person
and found a perfect match
and found a perfect match
193
615701
3592
DNS-mintát vettek tőle,
és tökéletes volt az egyezés
és tökéletes volt az egyezés
10:31
to the DNA they had in hand.
194
619317
2025
az FBI-nál lévő DNS-sel.
10:33
They arrested him
and brought him to justice
and brought him to justice
195
621366
2350
Letartóztatták,
és bíróság elé állították annyi év után.
10:35
after all these years.
196
623740
1424
10:38
Since then, genetic genealogists
have started working with
have started working with
197
626172
3241
Azt követően a genetikus családfakutatók
10:41
local US law enforcement agencies
198
629437
2668
kezdtek együttműködni
az USA helyi bűnüldöző szerveivel
az USA helyi bűnüldöző szerveivel
10:44
to use this technique
in order to capture criminals.
in order to capture criminals.
199
632129
3362
hogy e technikával kapják el a bűnözőket.
10:47
And only in the past six months,
200
635521
2681
Csupán az utóbbi fél évben e technikával
10:50
they were able to solve
over 20 cold cases with this technique.
over 20 cold cases with this technique.
201
638226
4296
több mint 20 döglött aktát
sikerült megoldaniuk.
sikerült megoldaniuk.
10:56
Luckily, we have people like Uncle
Bernie and his fellow genealogists
Bernie and his fellow genealogists
202
644203
4636
Szerencsére vannak olyanok,
mint Béla bácsi és családfakutató társai.
mint Béla bácsi és családfakutató társai.
11:01
These are not amateurs
with a self-serving hobby.
with a self-serving hobby.
203
649045
2994
Ők nem önérdekű műkedvelők,
11:04
These are citizen scientists
with a deep passion to tell us who we are.
with a deep passion to tell us who we are.
204
652602
6419
hanem szenvedélyes tudóstársaink,
akiknek célja megmondani, kik vagyunk.
akiknek célja megmondani, kik vagyunk.
11:11
And they know that the past
can hold a key to the future.
can hold a key to the future.
205
659065
4458
Tudják, a múlt kulcs lehet a jövőhöz.
11:16
Thank you very much.
206
664067
1183
Köszönöm szépen.
11:17
(Applause)
207
665314
3469
(Taps)
ABOUT THE SPEAKER
Yaniv Erlich - Computational geneticistYaniv Erlich is fascinated by the connection between DNA and data.
Why you should listen
As a professor and researcher at Columbia University and as CSO of MyHeritage.com, Yaniv Erlich has performed foundational work in genetic privacy and large-scale studies of crowdsourced genomic data. Dubbed a "genome hacker" by the journal Nature, Erlich and his team discovered a privacy loophole enabling reidentification of allegedly anonymous male research participants using just internet searches and their Y chromosome. Later, he discovered that 60 percent of all US individuals with European descent can be identified by forensic genetics using open genetic genealogy databases, which Science magazine called one of the top 10 breakthroughs of 2018.
Erlich is also responsible for the construction of the world's largest family tree, comprising 13 million people, as well as the development of the website DNA.land, which has compiled the genotypes of more than 150,000 donors. He has also worked to discover the genetic bases for several conditions in Israeli families. His team has demonstrated stable DNA data storage, reaching a density of 215 petabyte per gram of DNA. He's been awarded numerous prizes, has published more than 45 papers and authored seven patents.
Yaniv Erlich | Speaker | TED.com