TED2011
Ed Boyden: A light switch for neurons
Eds Boidens: Gaismas slēdzis neironiem
Filmed:
Readability: 4
1,098,379 views
Eds Boidens parāda, kā, smadzeņu šūnās ievietojot gēnus priekš gaismas jutīgiem proteīniem, viņš ar šķiedru optikas implantiem var pēc izvēles aktivēt vai deaktivēt atsevišķus specifiskus neironus. Ar šāda vēl iepriekš nesasniegta kontroles līmeņa palīdzību viņš ir spējīgs izārstēt peles no pēctraumatiskā stresa sindroma un noteiktām akluma formām. Redzeslokā: nervu protezēšana. Sesijas vadītājs Huans Enrikess pēc tam vada īsu sarunu ar jautājumiem un atbildēm.
Ed Boyden - Neuroengineer
Ed Boyden is a professor of biological engineering and brain and cognitive sciences at the MIT Media Lab and the MIT McGovern Institute. Full bio
Ed Boyden is a professor of biological engineering and brain and cognitive sciences at the MIT Media Lab and the MIT McGovern Institute. Full bio
Double-click the English transcript below to play the video.
00:15
Think about your day for a second.
0
0
2000
Brīdi padomājiet par jūsu dienu.
00:17
You woke up, felt fresh air on your face as you walked out the door,
1
2000
3000
Jūs pamodāties, sajutāt uz savas sejas svaigu gaisu, kad izgājāt pa durvīm,
00:20
encountered new colleagues and had great discussions,
2
5000
2000
satikāt jaunus kolēģus un piedalījāties lieliskās diskusijās,
00:22
and felt in awe when you found something new.
3
7000
2000
un bijāt izbrīnīti, kad atklājāt kaut ko jaunu.
00:24
But I bet there's something you didn't think about today --
4
9000
2000
Bet es varu derēt, ka ir kaut kas, par ko jūs šodien nedomājāt --
00:26
something so close to home
5
11000
2000
kaut kas tik tuvs mājām,
00:28
that you probably don't think about it very often at all.
6
13000
2000
ka jūs droši vien vispār par to bieži nedomājat.
00:30
And that's that all the sensations, feelings,
7
15000
2000
Un tas ir - visas sajūtas, emocijas,
00:32
decisions and actions
8
17000
2000
lēmumi un darbības
00:34
are mediated by the computer in your head
9
19000
2000
ir datora, kurš atrodas jūsu galvā, pārraidītas;
00:36
called the brain.
10
21000
2000
to sauc par smadzenēm.
00:38
Now the brain may not look like much from the outside --
11
23000
2000
Smadzenes no ārpuses var izskatīties kā nekas īpašs --
00:40
a couple pounds of pinkish-gray flesh,
12
25000
2000
dažas mārciņas rozīgi pelēkas gaļas,
00:42
amorphous --
13
27000
2000
bezveidīgas --
00:44
but the last hundred years of neuroscience
14
29000
2000
bet pēdējie simts neirozinātnes gadi
00:46
have allowed us to zoom in on the brain,
15
31000
2000
ir ļāvuši mums sīki izpētīt smadzenes,
00:48
and to see the intricacy of what lies within.
16
33000
2000
un redzēt sarežģīto, kas atrodas tajās.
00:50
And they've told us that this brain
17
35000
2000
Un tie mums ir parādījuši, ka smadzenes
00:52
is an incredibly complicated circuit
18
37000
2000
ir neticami sarežģīta shēma,
00:54
made out of hundreds of billions of cells called neurons.
19
39000
4000
veidota no simtiem miljardiem šūnu, sauktām par neironiem.
00:58
Now unlike a human-designed computer,
20
43000
3000
Pretēji cilvēku izgudrotam datoram,
01:01
where there's a fairly small number of different parts --
21
46000
2000
kurā ir diezgan maz atšķirīgu daļu --
01:03
we know how they work, because we humans designed them --
22
48000
3000
mēs zinām, kā tās darbojas, jo mēs, cilvēki, tās izgudrojām --
01:06
the brain is made out of thousands of different kinds of cells,
23
51000
3000
smadzenes ir veidotas no tūkstošiem atšķirīgu šūnu veidiem,
01:09
maybe tens of thousands.
24
54000
2000
varbūt pat desmitiem tūkstošu.
01:11
They come in different shapes; they're made out of different molecules.
25
56000
2000
Tās ir dažādas formas; tās ir veidotas no dažādām molekulām;
01:13
And they project and connect to different brain regions,
26
58000
3000
un tās projicējas un savieno atšķirīgus smadzeņu rajonus.
01:16
and they also change different ways in different disease states.
27
61000
3000
Un tās arī dažādi mainās atšķirīgos slimību stāvokļos.
01:19
Let's make it concrete.
28
64000
2000
Padarīsim to konkrētāku.
01:21
There's a class of cells,
29
66000
2000
Ir šūnu klase,
01:23
a fairly small cell, an inhibitory cell, that quiets its neighbors.
30
68000
3000
diezgan maza šūna, inhibitorā šūna, kura "apklusina" tās kaimiņus.
01:26
It's one of the cells that seems to be atrophied in disorders like schizophrenia.
31
71000
4000
Tā ir viena no šūnām, kas, šķiet, ir atrofējusies tādos gadījumos kā šizofrēnija.
01:30
It's called the basket cell.
32
75000
2000
To sauc par groza šūnu.
01:32
And this cell is one of the thousands of kinds of cell
33
77000
2000
Un šī šūna ir viena no tūkstošiem šūnu veidu,
01:34
that we are learning about.
34
79000
2000
par ko mēs mācāmies.
01:36
New ones are being discovered everyday.
35
81000
2000
Katru dienu tiek atklātas arvien jaunas.
01:38
As just a second example:
36
83000
2000
Otrs piemērs:
01:40
these pyramidal cells, large cells,
37
85000
2000
šīs piramidālās šūnas, lielās šūnas,
01:42
they can span a significant fraction of the brain.
38
87000
2000
tās var aptvert nozīmīgu smadzeņu daļu.
01:44
They're excitatory.
39
89000
2000
Tās ir kairināmas.
01:46
And these are some of the cells
40
91000
2000
Un šīs ir dažas no šūnām,
01:48
that might be overactive in disorders such as epilepsy.
41
93000
3000
kas var būt pārāk aktīvas tādu traucējumu gadījumos kā, piemēram, epilepsija.
01:51
Every one of these cells
42
96000
2000
Ikviena no šīm šūnām
01:53
is an incredible electrical device.
43
98000
3000
ir neticama elektriska ierīce.
01:56
They receive input from thousands of upstream partners
44
101000
2000
Tās saņem stimulu no tūkstošiem augstāk esošiem partneriem
01:58
and compute their own electrical outputs,
45
103000
3000
un izveido pašas savus elektriskos impulsus,
02:01
which then, if they pass a certain threshold,
46
106000
2000
kuri tad, ja tie nokļūs pāri noteiktai robežai,
02:03
will go to thousands of downstream partners.
47
108000
2000
tiks vadīti pie tūkstošiem zemāk esošiem partneriem.
02:05
And this process, which takes just a millisecond or so,
48
110000
3000
Un šis process, kurš ilgst tikai apmēram milisekundi,
02:08
happens thousands of times a minute
49
113000
2000
notiek tūkstošiem reižu minūtē
02:10
in every one of your 100 billion cells,
50
115000
2000
ikvienā no jūsu 100 miljardiem šūnu,
02:12
as long as you live
51
117000
2000
tik ilgi, kamēr jūs dzīvojat,
02:14
and think and feel.
52
119000
3000
un domājat un jūtat.
02:17
So how are we going to figure out what this circuit does?
53
122000
3000
Tātad, kā mēs noskaidrosim, ko šis riņķojums dara?
02:20
Ideally, we could go through the circuit
54
125000
2000
Ideāli mēs varētu iet cauri riņķojumam
02:22
and turn these different kinds of cell on and off
55
127000
3000
un ieslēgt un izslēgt šos dažādos šūnu veidus
02:25
and see whether we could figure out
56
130000
2000
un redzēt, vai mēs varam noskaidrot,
02:27
which ones contribute to certain functions
57
132000
2000
kuras veicina noteiktas funkcijas
02:29
and which ones go wrong in certain pathologies.
58
134000
2000
un kuras nedarbojas pareizi pie noteiktām patoloģijām.
02:31
If we could activate cells, we could see what powers they can unleash,
59
136000
3000
Ja mēs varētu aktivēt šūnas, mēs varētu redzēt, kādus spēkus tās var atbrīvot,
02:34
what they can initiate and sustain.
60
139000
2000
ko tās var ierosināt un ko stiprināt.
02:36
If we could turn them off,
61
141000
2000
Ja mēs tās varētu izslēgt,
02:38
then we could try and figure out what they're necessary for.
62
143000
2000
tad mēs varētu mēģināt izdomāt, kāpēc tās ir vajadzīgas.
02:40
And that's a story I'm going to tell you about today.
63
145000
3000
Un tas ir stāsts, ko es jums šodien pastāstīšu.
02:43
And honestly, where we've gone through over the last 11 years,
64
148000
3000
Un, kad mēs esam izgājuši cauri pēdējiem 11 gadiem,
02:46
through an attempt to find ways
65
151000
2000
ar mēģinājumu palīdzību cenšoties atrast veidus
02:48
of turning circuits and cells and parts and pathways of the brain
66
153000
2000
kā smadzeņu riņķojumus un šūnas, un daļas, un ceļus slēgt
02:50
on and off,
67
155000
2000
iekšā un ārā,
02:52
both to understand the science
68
157000
2000
gan, lai saprastu zinātni
02:54
and also to confront some of the issues
69
159000
3000
gan arī, lai pretstatītu dažus jautājumus,
02:57
that face us all as humans.
70
162000
3000
ar ko saskaramies mēs visi kā cilvēki.
03:00
Now before I tell you about the technology,
71
165000
3000
Tagad, pirms es stāstu jums par tehnoloģiju,
03:03
the bad news is that a significant fraction of us in this room,
72
168000
3000
sliktās ziņas ir, ka lielai daļai no mums šajā telpā,
03:06
if we live long enough,
73
171000
2000
ja mēs pietiekami ilgi dzīvosim,
03:08
will encounter, perhaps, a brain disorder.
74
173000
2000
būs, iespējams, smadzeņu traucējumi.
03:10
Already, a billion people
75
175000
2000
Jau tagad miljardiem cilvēku
03:12
have had some kind of brain disorder
76
177000
2000
ir bijis kāds smadzeņu traucējumu veids,
03:14
that incapacitates them,
77
179000
2000
kas viņus padara nespējīgus.
03:16
and the numbers don't do it justice though.
78
181000
2000
Lai arī skaitļi nav diez ko precīzi.
03:18
These disorders -- schizophrenia, Alzheimer's,
79
183000
2000
Šie traucējumi -- šizofrēnija, Alcheimera slimība,
03:20
depression, addiction --
80
185000
2000
depresija, atkarība --
03:22
they not only steal our time to live, they change who we are.
81
187000
3000
tie ne tikai nozog mūsu dzīves laiku, tie arī izmaina to, kas mēs esam;
03:25
They take our identity and change our emotions
82
190000
2000
tie paņem mūsu identitāti un izmaina mūsu emocijas --
03:27
and change who we are as people.
83
192000
3000
un maina to, kas mēs esam kā cilvēki.
03:30
Now in the 20th century,
84
195000
3000
20. gadsimtā
03:33
there was some hope that was generated
85
198000
3000
bija neliela cerība, kura veidojās,
03:36
through the development of pharmaceuticals for treating brain disorders,
86
201000
3000
attīstoties farmaceitiskajiem līdzekļiem smadzeņu traucējumu ārstēšanai.
03:39
and while many drugs have been developed
87
204000
3000
Un, kaut arī ir tikušas izgudrotas daudzas zāles,
03:42
that can alleviate symptoms of brain disorders,
88
207000
2000
kuras spēj atvieglot smadzeņu traucējumu simptomus,
03:44
practically none of them can be considered to be cured.
89
209000
3000
praktiski neviens no tiem nevar tikt uzskatīts par ārstējamu.
03:47
And part of that's because we're bathing the brain in the chemical.
90
212000
3000
Un tā ir daļēji tādēļ, ka mēs "peldinām" smadzenes ķimikālijās.
03:50
This elaborate circuit
91
215000
2000
Šis sarežģītais riņķojums,
03:52
made out of thousands of different kinds of cell
92
217000
2000
kas sastāv no tūkstošiem dažāda veida šūnu,
03:54
is being bathed in a substance.
93
219000
2000
tiek izmērcēts dažādas vielās.
03:56
That's also why, perhaps, most of the drugs, and not all, on the market
94
221000
2000
Tas ir arī tāpēc, ka, iespējams, vairums pieejamo zāļu
03:58
can present some kind of serious side effect too.
95
223000
3000
var arī izraisīt nopietnus blakusefektus.
04:01
Now some people have gotten some solace
96
226000
3000
Šobrīd daži cilvēki ir ieguvuši nelielu mierinājumu
04:04
from electrical stimulators that are implanted in the brain.
97
229000
3000
no elektriskajiem stimulatoriem, kas ir ievietoti smadzenēs.
04:07
And for Parkinson's disease,
98
232000
2000
Un Parkinsona slimības gadījumā,
04:09
Cochlear implants,
99
234000
2000
auss gliemeža implanti
04:11
these have indeed been able
100
236000
2000
ir patiešām spējīgi
04:13
to bring some kind of remedy
101
238000
2000
sniegt atvieglojumu
04:15
to people with certain kinds of disorder.
102
240000
2000
cilvēkiem ar noteiktiem slimības veidiem.
04:17
But electricity also will go in all directions --
103
242000
2000
Bet elektrība arī ies visos virzienos --
04:19
the path of least resistance,
104
244000
2000
vismazākās pretestības ceļš,
04:21
which is where that phrase, in part, comes from.
105
246000
2000
no kurienes šī frāze arī cēlusies.
04:23
And it also will affect normal circuits as well as the abnormal ones that you want to fix.
106
248000
3000
Un tas arī ietekmēs kā normālus, tā arī nenormālus riņkojumus, kurus jūs vēlaties salabot.
04:26
So again, we're sent back to the idea
107
251000
2000
Tā nu atkal mēs esam nonākuši atpakaļ pie idejas
04:28
of ultra-precise control.
108
253000
2000
par ļoti precīzu kontroli.
04:30
Could we dial-in information precisely where we want it to go?
109
255000
3000
Vai mēs varētu ievietot informāciju precīzi, kur mēs to vēlētos?
04:34
So when I started in neuroscience 11 years ago,
110
259000
4000
Kad pirms 11 gadiem es sāku nodarboties ar neirozinātni,
04:38
I had trained as an electrical engineer and a physicist,
111
263000
3000
es biju mācījies par elektrisko inženieri un fiziķi,
04:41
and the first thing I thought about was,
112
266000
2000
un pirmā lieta, par ko es domāju, bija,
04:43
if these neurons are electrical devices,
113
268000
2000
ja šie neironi ir elektriskas ierīces,
04:45
all we need to do is to find some way
114
270000
2000
viss, kas mums jādara, ir jāatrod kāds veids,
04:47
of driving those electrical changes at a distance.
115
272000
2000
kā vadīt šīs elektriskās pārmaiņas no attāluma.
04:49
If we could turn on the electricity in one cell,
116
274000
2000
Ja mēs varētu ieslēgt šūnā elektrību,
04:51
but not its neighbors,
117
276000
2000
bet ne tās kaimiņos,
04:53
that would give us the tool we need to activate and shut down these different cells,
118
278000
3000
tas mums dotu instrumentu, kas vajadzīgs, lai aktivētu un "izslēgtu" šīs dažādās šūnas,
04:56
figure out what they do and how they contribute
119
281000
2000
izspriestu, ko tās dara un ko tās dod
04:58
to the networks in which they're embedded.
120
283000
2000
tīkliem, kuros ir iesaistītas.
05:00
And also it would allow us to have the ultra-precise control we need
121
285000
2000
Un tas arī mums ļautu ļoti precīzi kontrolēt, kas mums vajadzīgs,
05:02
in order to fix the circuit computations
122
287000
3000
lai salabotu cikla aprēķinus,
05:05
that have gone awry.
123
290000
2000
kas aizgājuši nepareizi.
05:07
Now how are we going to do that?
124
292000
2000
Kā mēs to panāksim?
05:09
Well there are many molecules that exist in nature,
125
294000
2000
Ir daudzas dabā pastāvošas molekulas,
05:11
which are able to convert light into electricity.
126
296000
3000
kuras ir spējīgas pārvērst gaismu elektrībā.
05:14
You can think of them as little proteins
127
299000
2000
Jūs par tām varat domāt kā par maziem proteīniem,
05:16
that are like solar cells.
128
301000
2000
kas ir kā saules baterijas.
05:18
If we can install these molecules in neurons somehow,
129
303000
3000
Ja mēs varētu ievietot šīs molekulas kaut kādā veidā neironos,
05:21
then these neurons would become electrically drivable with light.
130
306000
3000
tad šie neironi kļūtu elektriski vadāmi ar gaismu.
05:24
And their neighbors, which don't have the molecule, would not.
131
309000
3000
Un to kaimiņi, kuriem nav šīs molekulas, nekļūtu.
05:27
There's one other magic trick you need to make this all happen,
132
312000
2000
Ir vēl viens burvju triks, kas vajadzīgs, lai tas viss kļūtu iespējams,
05:29
and that's the ability to get light into the brain.
133
314000
3000
un tā ir spēja nogādāt gaismu smadzenēs.
05:32
And to do that -- the brain doesn't feel pain -- you can put --
134
317000
3000
Un, lai to izdarītu -- smadzenes nejūt sāpes -- jūs varat ievietot --
05:35
taking advantage of all the effort
135
320000
2000
izmantojot priekšrocību,
05:37
that's gone into the Internet and communications and so on --
136
322000
2000
kāda ir internetam un sakariem un tā tālāk --
05:39
optical fibers connected to lasers
137
324000
2000
optiskās šķiedras, kas savienotas ar lāzeriem,
05:41
that you can use to activate, in animal models for example,
138
326000
2000
kuras jūs varat izmantot, lai aktivētu, piemēram, dzīvnieku modeļos,
05:43
in pre-clinical studies,
139
328000
2000
pirmsklīniskajos pētījumos,
05:45
these neurons and to see what they do.
140
330000
2000
šos neironus un redzētu, ko tie dara.
05:47
So how do we do this?
141
332000
2000
Kā mēs to darām?
05:49
Around 2004,
142
334000
2000
Ap 2004. gadu,
05:51
in collaboration with Gerhard Nagel and Karl Deisseroth,
143
336000
2000
sadarbībā ar Gerhardu Nagelu un Karlu Deiserotu
05:53
this vision came to fruition.
144
338000
2000
šī vīzija piepildījās.
05:55
There's a certain alga that swims in the wild,
145
340000
3000
Ir zināma aļģe, kas peld savvaļā,
05:58
and it needs to navigate towards light
146
343000
2000
un tai ir jāpārvietojas uz gaismas pusi,
06:00
in order to photosynthesize optimally.
147
345000
2000
lai tā optimāli varētu veiktu fotosintēzi.
06:02
And it senses light with a little eye-spot,
148
347000
2000
Un tā sajūt gaismu ar mazu acs laukumu,
06:04
which works not unlike how our eye works.
149
349000
3000
kurš nedarbojas tā, kā mūsu acis.
06:07
In its membrane, or its boundary,
150
352000
2000
Tās membrānā vai tās robežslānī
06:09
it contains little proteins
151
354000
3000
tā satur nelielas proteīnus,
06:12
that indeed can convert light into electricity.
152
357000
3000
kas patiešām spēj pārveidot gaismu elektrībā.
06:15
So these molecules are called channelrhodopsins.
153
360000
3000
Šīs molekulas sauc par kanāla rodopsīniem.
06:18
And each of these proteins acts just like that solar cell that I told you about.
154
363000
3000
Un katrs no šiem proteīniem darbojas tāpat, kā saules baterija, par ko jums stāstīju.
06:21
When blue light hits it, it opens up a little hole
155
366000
3000
Kad to sasniedz zila gaisma, tā atver nelielu caurumiņu
06:24
and allows charged particles to enter the eye-spot,
156
369000
2000
un atļauj uzlādētām daļiņām ieiet acs laukumā.
06:26
and that allows this eye-spot to have an electrical signal
157
371000
2000
Un tas atļauj acs laukumam veidot elektrisku signālu,
06:28
just like a solar cell charging up a battery.
158
373000
3000
tāpat kā saules baterijai uzlādēt bateriju.
06:31
So what we need to do is to take these molecules
159
376000
2000
Tas, kas mums jādara, ir jāpaņem šīs molekulas
06:33
and somehow install them in neurons.
160
378000
2000
un kaut kādā veidā jāievieto tās neironos.
06:35
And because it's a protein,
161
380000
2000
Un tāpēc, ka tā ir proteīns,
06:37
it's encoded for in the DNA of this organism.
162
382000
3000
tā ir kodēta priekš atrašanās šī organisma DNS.
06:40
So all we've got to do is take that DNA,
163
385000
2000
Viss, kas mums jādara, ir jāpaņem šis DNS,
06:42
put it into a gene therapy vector, like a virus,
164
387000
3000
jāievieto tas gēnu terapijas vektorā, tāpat kā vīrusu,
06:45
and put it into neurons.
165
390000
3000
un jāievieto tas neironos.
06:48
So it turned out that this was a very productive time in gene therapy,
166
393000
3000
Tā nu iznāk, ka šis ir bijis ļoti ražīgs laiks gēnu terapijā,
06:51
and lots of viruses were coming along.
167
396000
2000
ir tikuši atklāti daudzi vīrusi.
06:53
So this turned out to be very simple to do.
168
398000
2000
Tad sanāk, ka ir ļoti viegli to izdarīt.
06:55
And early in the morning one day in the summer of 2004,
169
400000
3000
2004. gada kādā vasaras dienā agri no rīta
06:58
we gave it a try, and it worked on the first try.
170
403000
2000
mēs mēģinājām un tas izdevās pirmajā mēģinājumā.
07:00
You take this DNA and you put it into a neuron.
171
405000
3000
Jūs paņemat DNS un ievietojat to neironā.
07:03
The neuron uses its natural protein-making machinery
172
408000
3000
Neirons izmanto savu dabisko olbaltumvielu veidošanas mehānismu,
07:06
to fabricate these little light-sensitive proteins
173
411000
2000
lai izveidotu šos mazos gaismas jutīgos proteīnus
07:08
and install them all over the cell,
174
413000
2000
un ievietotu tos viscaur šūnā,
07:10
like putting solar panels on a roof,
175
415000
2000
tāpat kā novietotu saules paneļus uz jumta.
07:12
and the next thing you know,
176
417000
2000
Un nākamā lieta,
07:14
you have a neuron which can be activated with light.
177
419000
2000
jums ir neirons, kurš var tikt aktivēts ar gaismu.
07:16
So this is very powerful.
178
421000
2000
Tas ir ļoti spēcīgs.
07:18
One of the tricks you have to do
179
423000
2000
Viens no trikiem, kas jums jādara,
07:20
is to figure out how to deliver these genes to the cells that you want
180
425000
2000
ir jāsaprot, kā nogādāt šos gēnus uz tām šūnām, kurām jūs vēlaties,
07:22
and not all the other neighbors.
181
427000
2000
bet ne citiem kaimiņiem.
07:24
And you can do that; you can tweak the viruses
182
429000
2000
Un jūs to varat izdarīt; jūs varat saspiest vīrusus,
07:26
so they hit just some cells and not others.
183
431000
2000
lai tie trāpa tikai dažas šūnas un ne citas.
07:28
And there's other genetic tricks you can play
184
433000
2000
Un ir citi ģenētiski triki, kurus varat veikt,
07:30
in order to get light-activated cells.
185
435000
3000
lai iegūtu gaismas aktivētas šūnas.
07:33
This field has now come to be known as optogenetics.
186
438000
4000
Šis lauciņš ir kļuvis tagad zināms kā optoģenētika.
07:37
And just as one example of the kind of thing you can do,
187
442000
2000
Un kā viens piemērs, ko varam darīt ir,
07:39
you can take a complex network,
188
444000
2000
ka jūs varat paņemt kompleksu tīklu,
07:41
use one of these viruses to deliver the gene
189
446000
2000
izmantot vienu no šiem vīrusiem, lai nogādātu gēnu
07:43
just to one kind of cell in this dense network.
190
448000
3000
tikai uz viena veida šūnām šajā blīvajā tīklā.
07:46
And then when you shine light on the entire network,
191
451000
2000
Un tad, kad jūs ieslēdzat gaismu visā tīklā,
07:48
just that cell type will be activated.
192
453000
2000
tikai šis šūnu veids tiks aktivēts.
07:50
So for example, lets sort of consider that basket cell I told you about earlier --
193
455000
3000
Tā, piemēram, parunāsim par groza šūnu, par kuru jums stāstīju pirms brīža --
07:53
the one that's atrophied in schizophrenia
194
458000
2000
to, kas šizofrēnijas gadījumā atrofējas
07:55
and the one that is inhibitory.
195
460000
2000
un kura ir inhibējama.
07:57
If we can deliver that gene to these cells --
196
462000
2000
Ja mēs varam nogādāt gēnu šīm šūnām --
07:59
and they're not going to be altered by the expression of the gene, of course --
197
464000
3000
un tās netiks gēna izpausmes pārveidotas, protams, --
08:02
and then flash blue light over the entire brain network,
198
467000
3000
un tad apgaismosim visu smadzeņu tīklu ar zilu gaismu,
08:05
just these cells are going to be driven.
199
470000
2000
tikai šīs šūnas būs vadāmas.
08:07
And when the light turns off, these cells go back to normal,
200
472000
2000
Un, kad gaisma izslēgsies, šīs šūnas atgriezīsies normālā stāvoklī,
08:09
so they don't seem to be averse against that.
201
474000
3000
tās nebūs pret to.
08:12
Not only can you use this to study what these cells do,
202
477000
2000
Jūs ne tikai varat to izmantot, lai izpētītu, ko šīs šūnas dara,
08:14
what their power is in computing in the brain,
203
479000
2000
kāds ir to spēks smadzenēs,
08:16
but you can also use this to try to figure out --
204
481000
2000
bet jūs arī varat to izmantot, lai saprastu --
08:18
well maybe we could jazz up the activity of these cells,
205
483000
2000
iespējams, mēs varam palielināt šo šūnu aktivitāti,
08:20
if indeed they're atrophied.
206
485000
2000
ja tās ir atrofējušās.
08:22
Now I want to tell you a couple of short stories
207
487000
2000
Tagad es vēlos jums pastāstīt pāris īsus stāstus
08:24
about how we're using this,
208
489000
2000
par to, kā mēs to izmantojam
08:26
both at the scientific, clinical and pre-clinical levels.
209
491000
3000
gan zinātniskajā, gan klīniskajā un pirmsklīniskajā līmenī.
08:29
One of the questions we've confronted
210
494000
2000
Viens no jautājumiem, ar ko esam saskārušies,
08:31
is, what are the signals in the brain that mediate the sensation of reward?
211
496000
3000
ir, kādi ir signāli smadzenēs, kas pārraida atalgojuma sajūtu?
08:34
Because if you could find those,
212
499000
2000
Jo, ja jūs varat tos atrast,
08:36
those would be some of the signals that could drive learning.
213
501000
2000
tie var būt daži no signāliem, kas var sekmēt mācīšanos.
08:38
The brain will do more of whatever got that reward.
214
503000
2000
Smadzenes darīs visu, lai iegūtu šo atalgojumu.
08:40
And also these are signals that go awry in disorders such as addiction.
215
505000
3000
Un tie ir arī signāli, kas ir nepareizi traucējumu, kā, piemēram, atkarību, gadījumos.
08:43
So if we could figure out what cells they are,
216
508000
2000
Ja mēs varētu izspriest, kas tās ir par šūnām,
08:45
we could maybe find new targets
217
510000
2000
mēs, iespējams, varētu atrast jaunus mērķus,
08:47
for which drugs could be designed or screened against,
218
512000
2000
pret kuriem varētu tikt izgudrotas vai pārbaudītas zāles,
08:49
or maybe places where electrodes could be put in
219
514000
2000
vai varbūt vietas, kurās varētu tikt ievietoti elektrodi
08:51
for people who have very severe disability.
220
516000
3000
cilvēkiem, kuriem ir ļoti smaga invaliditāte.
08:54
So to do that, we came up with a very simple paradigm
221
519000
2000
Lai to izdarītu, mēs nonācām pie ļoti vienkārša piemēra
08:56
in collaboration with the Fiorella group,
222
521000
2000
sadarbībā ar Fiorella grupu,
08:58
where one side of this little box,
223
523000
2000
kur vienā mazās kastītes pusē,
09:00
if the animal goes there, the animal gets a pulse of light
224
525000
2000
ja dzīvnieks pieiet pie tās, viņš saņem gaismas impulsu,
09:02
in order to make different cells in the brain sensitive to light.
225
527000
2000
lai padarītu dažādas smadzeņu šūnas jutīgas pret gaismu.
09:04
So if these cells can mediate reward,
226
529000
2000
Ja šīs šūnas spēj dot atbildes reakciju,
09:06
the animal should go there more and more.
227
531000
2000
dzīvniekam vajadzētu iet tur vēl un vēl.
09:08
And so that's what happens.
228
533000
2000
Un tas ir tas, kas notiek.
09:10
This animal's going to go to the right-hand side and poke his nose there,
229
535000
2000
Šis dzīvnieks iet uz labo pusi un pabāž savu degunu tur,
09:12
and he gets a flash of blue light every time he does that.
230
537000
2000
un katru reizi, kad viņš to izdara, saņem zilas gaismas uzliesmojumu.
09:14
And he'll do that hundreds and hundreds of times.
231
539000
2000
Un viņš to darīs simtiem reižu.
09:16
These are the dopamine neurons,
232
541000
2000
Šie ir dopamīna neironi,
09:18
which some of you may have heard about, in some of the pleasure centers in the brain.
233
543000
2000
par kuriem daži no jums varētu būt dzirdējuši, dažos smadzeņu baudas centros.
09:20
Now we've shown that a brief activation of these
234
545000
2000
Mēs esam parādījuši, ka neliela to aktivācija
09:22
is enough, indeed, to drive learning.
235
547000
2000
ir pietiekama, lai veicinātu mācīšanos.
09:24
Now we can generalize the idea.
236
549000
2000
Tagad mēs varam vispārināt ideju.
09:26
Instead of one point in the brain,
237
551000
2000
Tā vietā, lai tikai vienā smadzeņu punktā,
09:28
we can devise devices that span the brain,
238
553000
2000
mēs varam izgudrot ierīces, kas aptver visas smadzenes,
09:30
that can deliver light into three-dimensional patterns --
239
555000
2000
kuras var nogādāt gaismu trīsdimensionālos modeļos --
09:32
arrays of optical fibers,
240
557000
2000
optisko šķiedru rindās,
09:34
each coupled to its own independent miniature light source.
241
559000
2000
kur katra no tām savienota ar neatkarīgu mazu gaismas avotu.
09:36
And then we can try to do things in vivo
242
561000
2000
Un tad mēs varam mēģināt izdarīt lietas organisma iekšienē,
09:38
that have only been done to-date in a dish --
243
563000
3000
kas līdz šodienai ir darīts tikai ārpus tā --
09:41
like high-throughput screening throughout the entire brain
244
566000
2000
kā augstas caurspiešanās spējas caurskate cauri visām smadzenēm,
09:43
for the signals that can cause certain things to happen.
245
568000
2000
lai atrastu signālus, kas var būt par cēloni noteiktām lietām.
09:45
Or that could be good clinical targets
246
570000
2000
Vai arī tie varētu būt labi klīniskie objekti,
09:47
for treating brain disorders.
247
572000
2000
lai ārstētu smadzeņu slimības.
09:49
And one story I want to tell you about
248
574000
2000
Un viens stāsts, ko vēlos jums pastāstīt,
09:51
is how can we find targets for treating post-traumatic stress disorder --
249
576000
3000
ir, kā mēs atrodam objektus, lai ārstētu pēctraumatiskā stresa sindromu --
09:54
a form of uncontrolled anxiety and fear.
250
579000
3000
tas ir nekontrolēta nemiera un baiļu forma.
09:57
And one of the things that we did
251
582000
2000
Un viena no lietām, ko mēs darījām,
09:59
was to adopt a very classical model of fear.
252
584000
3000
bija pieņemt ļoti klasisku baiļu modeli.
10:02
This goes back to the Pavlovian days.
253
587000
3000
Ir jāatgriežas Pavlova dienās.
10:05
It's called Pavlovian fear conditioning --
254
590000
2000
To sauc par Pavlova baiļu noteikšanu --
10:07
where a tone ends with a brief shock.
255
592000
2000
kur signāls beidzas ar neilgu šoku.
10:09
The shock isn't painful, but it's a little annoying.
256
594000
2000
Šoks nav sāpīgs, bet tas ir nedaudz nepatīkams.
10:11
And over time -- in this case, a mouse,
257
596000
2000
Un visos laikos -- šajā gadījumā pele,
10:13
which is a good animal model, commonly used in such experiments --
258
598000
2000
kura ir labs dzīvnieka objekts, bieži izmantota šādos eksperimentos --
10:15
the animal learns to fear the tone.
259
600000
2000
dzīvnieks iemācās baidīties no signāla.
10:17
The animal will react by freezing,
260
602000
2000
Dzīvnieks reaģēs uz to sastingstot,
10:19
sort of like a deer in the headlights.
261
604000
2000
līdzīgi kā briedis, redzot mašīnas gaismas.
10:21
Now the question is, what targets in the brain can we find
262
606000
3000
Tagad jautājums ir, kādus modeļus smadzenēs mēs varam atrast,
10:24
that allow us to overcome this fear?
263
609000
2000
kas ļauj mums pārvarēt šīs bailes?
10:26
So what we do is we play that tone again
264
611000
2000
Tas, ko mēs darām, ir, ka mēs atskaņojam šo skaņu vēlreiz,
10:28
after it's been associated with fear.
265
613000
2000
pēc tam, kad tā bijusi saistīta ar bailēm.
10:30
But we activate targets in the brain, different ones,
266
615000
2000
Bet mēs aktivējam dažādus modeļus smadzenēs,
10:32
using that optical fiber array I told you about in the previous slide,
267
617000
3000
izmantojot optisko šķiedru rindu, par ko jums stāstīju iepriekšējā slīdā,
10:35
in order to try and figure out which targets
268
620000
2000
lai tādā veidā noskaidrotu, kuri modeļi
10:37
can cause the brain to overcome that memory of fear.
269
622000
3000
var izraisīt to, ka smadzenes pārvar baiļu atmiņu.
10:40
And so this brief video
270
625000
2000
Un šis īsais video
10:42
shows you one of these targets that we're working on now.
271
627000
2000
parāda jums vienu no šiem modeļiem, pie kā mēs pašlaik strādājam.
10:44
This is an area in the prefrontal cortex,
272
629000
2000
Šis ir rajons prefrontālajā smadzeņu garozā,
10:46
a region where we can use cognition to try to overcome aversive emotional states.
273
631000
3000
reģions, kur mēs varam izmantot izzināšanas spējas, lai pārvarētu nepatīkamus emocionālos stāvokļus.
10:49
And the animal's going to hear a tone -- and a flash of light occurred there.
274
634000
2000
Un dzīvnieks dzirdēs skaņu -- un notika gaismas uzliesmojums.
10:51
There's no audio on this, but you can see the animal's freezing.
275
636000
2000
Šeit nav skaņas, taču jūs varat redzēt dzīvnieku sastingstam.
10:53
This tone used to mean bad news.
276
638000
2000
Šī skaņa nozīmē sliktas ziņas.
10:55
And there's a little clock in the lower left-hand corner,
277
640000
2000
Ir mazs pulkstenītis apakšējā kreisajā stūrī,
10:57
so you can see the animal is about two minutes into this.
278
642000
3000
tāpēc jūs varat redzēt, ka dzīvnieks tajā ir apmēram divas minūtes.
11:00
And now this next clip
279
645000
2000
Un nākamais klips
11:02
is just eight minutes later.
280
647000
2000
ir tikai astoņas minūtes vēlāk.
11:04
And the same tone is going to play, and the light is going to flash again.
281
649000
3000
Un nākamā skaņa tiks atskaņota, un gaisma atkal ieslēgsies.
11:07
Okay, there it goes. Right now.
282
652000
3000
Labi, te tas ir. Tieši tagad.
11:10
And now you can see, just 10 minutes into the experiment,
283
655000
3000
Un tagad jūs varat redzēt, tikai 10 minūtes veicot eksperimentu,
11:13
that we've equipped the brain by photoactivating this area
284
658000
3000
ka mēs esam sagatavojuši smadzenes, fotoaktivējot šo rajonu,
11:16
to overcome the expression
285
661000
2000
lai pārvarētu baiļu atmiņas
11:18
of this fear memory.
286
663000
2000
izpausmi.
11:20
Now over the last couple of years, we've gone back to the tree of life
287
665000
3000
Pēdējos pāris gadus mēs esam atgriezušies pie dzīvības koka,
11:23
because we wanted to find ways to turn circuits in the brain off.
288
668000
3000
jo mēs gribējām atrast veidus kā varētu izslēgt riņķojumus smadzenēs.
11:26
If we could do that, this could be extremely powerful.
289
671000
3000
Ja mēs to varētu izdarīt, tas būtu ļoti spēcīgi.
11:29
If you can delete cells just for a few milliseconds or seconds,
290
674000
3000
Ja jūs varat izdzēst šūnas tikai dažas milisekundes vai sekundes,
11:32
you can figure out what necessary role they play
291
677000
2000
jūs varat saprast, kādu svarīgu lomu tās spēlē
11:34
in the circuits in which they're embedded.
292
679000
2000
riņķojumos, kuros tās ir iesaistītas.
11:36
And we've now surveyed organisms from all over the tree of life --
293
681000
2000
Un tagad mēs esam apskatījuši organismus visapkārt dzīvības kokam --
11:38
every kingdom of life except for animals, we see slightly differently.
294
683000
3000
katru dzīvo būtņu valsti, izņemot dzīvniekus, kurus mēs redzam nedaudz citādāk.
11:41
And we found all sorts of molecules, they're called halorhodopsins or archaerhodopsins,
295
686000
3000
Un mēs atradām visu veidu molekulas, tos sauc par halorodopsīniem vai arherodopsīniem,
11:44
that respond to green and yellow light.
296
689000
2000
kuri reaģē uz zaļu un dzeltenu gaismu.
11:46
And they do the opposite thing of the molecule I told you about before
297
691000
2000
Un tie dara pretēju lietu, nekā molekula, par ko jums iepriekš stāstīju,
11:48
with the blue light activator channelrhodopsin.
298
693000
3000
kam ir zilās gaismas aktivators kanāla rodopsīns.
11:52
Let's give an example of where we think this is going to go.
299
697000
3000
Pateikšu piemēru, kā mēs domājam, kur tas nonāks.
11:55
Consider, for example, a condition like epilepsy,
300
700000
3000
Uzskatiet par piemēru stāvokli kā epilepsija,
11:58
where the brain is overactive.
301
703000
2000
kuras gadījumā smadzenes ir pārāk aktīvas.
12:00
Now if drugs fail in epileptic treatment,
302
705000
2000
Ja zāles epilepsijas ārstēšanā nedarbojas,
12:02
one of the strategies is to remove part of the brain.
303
707000
2000
viena no stratēģijām ir noņemt daļu smadzeņu.
12:04
But that's obviously irreversible, and there could be side effects.
304
709000
2000
Bet tas ir pilnīgi neatgriezeniski, un tam var būt blakus efekti.
12:06
What if we could just turn off that brain for a brief amount of time,
305
711000
3000
Ja nu mēs varētu vienkārši izslēgt smadzenes uz kādu īsu laiku,
12:09
until the seizure dies away,
306
714000
3000
kamēr lēkme beidzas,
12:12
and cause the brain to be restored to its initial state --
307
717000
3000
un likt smadzenēm atjaunoties savā iepriekšējā stāvoklī --
12:15
sort of like a dynamical system that's being coaxed down into a stable state.
308
720000
3000
sava veida dinamiska sistēma, kas ir novesta stabilā stāvoklī.
12:18
So this animation just tries to explain this concept
309
723000
3000
Šī animācija tikai cenšas izskaidrot šo koncepciju,
12:21
where we made these cells sensitive to being turned off with light,
310
726000
2000
kad mēs padarījām šīs šūnas jutīgas pret izslēgšanu ar gaismu,
12:23
and we beam light in,
311
728000
2000
un mēs ieslēdzām gaismu,
12:25
and just for the time it takes to shut down a seizure,
312
730000
2000
un laikā, kas vajadzīgs, lai novērstu lēkmi,
12:27
we're hoping to be able to turn it off.
313
732000
2000
mēs ceram, ka spēsim to izslēgt.
12:29
And so we don't have data to show you on this front,
314
734000
2000
Mums nav datu, lai parādītu no šīs puses,
12:31
but we're very excited about this.
315
736000
2000
bet mēs esam ļoti priecīgi par to.
12:33
Now I want to close on one story,
316
738000
2000
Tagad es vēlos nobeigt ar vienu stāstu,
12:35
which we think is another possibility --
317
740000
2000
kurš, kā mēs domājam, ir vēl viena iespēja --
12:37
which is that maybe these molecules, if you can do ultra-precise control,
318
742000
2000
kas ir tāda, ka, iespējams, šīs molekulas, ja jūs varat veikt ļoti precīzu kontroli,
12:39
can be used in the brain itself
319
744000
2000
var tikt pašu smadzeņu izmantotas,
12:41
to make a new kind of prosthetic, an optical prosthetic.
320
746000
3000
lai izveidotu jauna veida protēzes, optiskās protēzes.
12:44
I already told you that electrical stimulators are not uncommon.
321
749000
3000
Es jau jums stāstīju, ka elektriskie stimulatori nav nekas neparasts.
12:47
Seventy-five thousand people have Parkinson's deep-brain stimulators implanted.
322
752000
3000
75,000 cilvēkiem ir ievietoti Parkinsona dziļie smadzeņu stimulatori.
12:50
Maybe 100,000 people have Cochlear implants,
323
755000
2000
Iespējams, 100,000 cilvēku ir auss gliemeža implanti,
12:52
which allow them to hear.
324
757000
2000
kas ļauj tiem dzirdēt.
12:54
There's another thing, which is you've got to get these genes into cells.
325
759000
3000
Ir cita lieta, kas ir tāda, ka jums jādabū šie gēni iekšā šūnās.
12:57
And new hope in gene therapy has been developed
326
762000
3000
Un gēnu terapijā tiek attīstīta jauna cerība,
13:00
because viruses like the adeno-associated virus,
327
765000
2000
jo vīrusi, kā piemēram, adenovīruss,
13:02
which probably most of us around this room have,
328
767000
2000
kurš, iespējams, ir lielākajai daļai no mums šajā telpā,
13:04
and it doesn't have any symptoms,
329
769000
2000
tam nav nekādu simptomu,
13:06
which have been used in hundreds of patients
330
771000
2000
tas ir lietots simtiem pacientu,
13:08
to deliver genes into the brain or the body.
331
773000
2000
lai gēnus nogādātu smadzenēs vai ķermenī.
13:10
And so far, there have not been serious adverse events
332
775000
2000
Un līdz šim tam nav bijusi nopietna nelabvēlīga ietekme,
13:12
associated with the virus.
333
777000
2000
kas saistīti ar vīrusu.
13:14
There's one last elephant in the room, the proteins themselves,
334
779000
3000
Ir lieta, ko visi labi apzinās, taču par to nerunā, proti pašas olbaltumvielas,
13:17
which come from algae and bacteria and fungi,
335
782000
2000
kuras nāk no aļģēm un baktērijām, un sēnēm,
13:19
and all over the tree of life.
336
784000
2000
un no visa dzīvības koka.
13:21
Most of us don't have fungi or algae in our brains,
337
786000
2000
Lielākajai daļai no mums sēnes vai aļģes nav smadzenēs,
13:23
so what is our brain going to do if we put that in?
338
788000
2000
tad ko mūsu smadzenes darīs, kad mēs tos tur ievietosim?
13:25
Are the cells going to tolerate it? Will the immune system react?
339
790000
2000
Vai šūnas to pieņems? Vai imūnsistēma reaģēs?
13:27
In its early days -- these have not been done on humans yet --
340
792000
2000
No sākuma -- tas vēl nav veikts cilvēkam --
13:29
but we're working on a variety of studies
341
794000
2000
bet mēs strādājam pie dažādiem pētījumiem,
13:31
to try and examine this,
342
796000
2000
lai to izmēģinātu un izpētītu.
13:33
and so far we haven't seen overt reactions of any severity
343
798000
3000
Un līdz šim mēs neesam redzējuši nevienas smaguma pakāpes redzamas reakcijas
13:36
to these molecules
344
801000
2000
šajās molekulās,
13:38
or to the illumination of the brain with light.
345
803000
3000
vai arī smadzeņu izgaismošanā.
13:41
So it's early days, to be upfront, but we're excited about it.
346
806000
3000
Šis ir tikai sākums, būšu godīgs, bet mēs esam par to priecīgi.
13:44
I wanted to close with one story,
347
809000
2000
Es vēlējos nobeigt ar vienu stāstu,
13:46
which we think could potentially
348
811000
2000
kuram, mūsuprāt, ir potenciāli
13:48
be a clinical application.
349
813000
2000
klīnisks pielietojums.
13:50
Now there are many forms of blindness
350
815000
2000
Ir daudzas akluma formas,
13:52
where the photoreceptors,
351
817000
2000
kad fotoreceptori,
13:54
our light sensors that are in the back of our eye, are gone.
352
819000
3000
mūsu gaismas sensori, kas atrodas acs mugurējā daļā, pazūd.
13:57
And the retina, of course, is a complex structure.
353
822000
2000
Un tīklene, protams, ir sarežģīta struktūra.
13:59
Now let's zoom in on it here, so we can see it in more detail.
354
824000
2000
Tagad pievilksim to šeit tuvāk, tā mēs varam redzēt detalizētāk.
14:01
The photoreceptor cells are shown here at the top,
355
826000
3000
Fotoreceptoru šūnas ir parādītas augšā,
14:04
and then the signals that are detected by the photoreceptors
356
829000
2000
un tad signāli, kurus uztver fotoreceptori,
14:06
are transformed by various computations
357
831000
2000
tiek pārveidoti dažādos aprēķinos,
14:08
until finally that layer of cells at the bottom, the ganglion cells,
358
833000
3000
līdz kamēr beidzot šūnu slānis apakšā, ganglija šūnas,
14:11
relay the information to the brain,
359
836000
2000
nodod informāciju smadzenēm,
14:13
where we see that as perception.
360
838000
2000
kur mēs to redzam kā uztveri.
14:15
In many forms of blindness, like retinitis pigmentosa,
361
840000
3000
Daudzās akluma formās, kā, piemēram, retinitis pigmentosa
14:18
or macular degeneration,
362
843000
2000
vai makulārajā deģenerācijā,
14:20
the photoreceptor cells have atrophied or been destroyed.
363
845000
3000
fotoreceptoru šūnas ir atrofējušās vai tikušas iznīcinātas.
14:23
Now how could you repair this?
364
848000
2000
Kā tās var atjaunot?
14:25
It's not even clear that a drug could cause this to be restored,
365
850000
3000
Nav pat skaidrs, vai zāles var to atjaunot,
14:28
because there's nothing for the drug to bind to.
366
853000
2000
jo nav nekas, pie kā zāles var saistīties.
14:30
On the other hand, light can still get into the eye.
367
855000
2000
No otras puses, gaisma vēl joprojām var iekļūt acī.
14:32
The eye is still transparent and you can get light in.
368
857000
3000
Acs vēl joprojām ir caurspīdīga un gaisma var iekļūt.
14:35
So what if we could just take these channelrhodopsins and other molecules
369
860000
3000
Ja nu mēs varētu paņemt šos kanāla rodopsīnus un citas molekulas
14:38
and install them on some of these other spare cells
370
863000
2000
un ievietot tās dažās no rezerves šūnām
14:40
and convert them into little cameras.
371
865000
2000
un pārveidot tās mazās kamerās.
14:42
And because there's so many of these cells in the eye,
372
867000
2000
Un tāpēc, ka acī ir tik daudz šo šūnu,
14:44
potentially, they could be very high-resolution cameras.
373
869000
3000
potenciāli tās varētu būt ļoti augstas izšķirtspējas kameras.
14:47
So this is some work that we're doing.
374
872000
2000
Tā ir daļa no darba, ko mēs veicam.
14:49
It's being led by one of our collaborators,
375
874000
2000
To vada viens no mūsu darbiniekiem,
14:51
Alan Horsager at USC,
376
876000
2000
Alans Horseidžers Dienvidkalifornijas universitātē,
14:53
and being sought to be commercialized by a start-up company Eos Neuroscience,
377
878000
3000
un tas tiek mēģināts laist tirgū ar jauna uzņēmuma Eos Neuroscience palīdzību,
14:56
which is funded by the NIH.
378
881000
2000
kuru finansē Nacionālais veselības institūts.
14:58
And what you see here is a mouse trying to solve a maze.
379
883000
2000
Un tas, ko jūs šeit redzat, ir pele, kas cenšas izkļūt no labirinta.
15:00
It's a six-arm maze. And there's a bit of water in the maze
380
885000
2000
Tas ir sešstūru labirints. Un tajā ir nedaudz ūdens,
15:02
to motivate the mouse to move, or he'll just sit there.
381
887000
2000
lai motivētu peli kustēties, citādi tā vienkārši nekustēsies.
15:04
And the goal, of course, of this maze
382
889000
2000
Un šī labirinta mērķis, protams,
15:06
is to get out of the water and go to a little platform
383
891000
2000
ir izkļūt no ūdens un tikt uz mazu platformiņu,
15:08
that's under the lit top port.
384
893000
2000
kas ir zem izgaismotas ejas.
15:10
Now mice are smart, so this mouse solves the maze eventually,
385
895000
3000
Pele ir gudra, tā nu viņa beidzot izpēta šo labirintu,
15:13
but he does a brute-force search.
386
898000
2000
bet tā veic meklēšanu ar brutālu spēku.
15:15
He's swimming down every avenue until he finally gets to the platform.
387
900000
3000
Tā peld pa katru ceļu, līdz beidzot nokļūst līdz platformai.
15:18
So he's not using vision to do it.
388
903000
2000
Tā neizmanto redzi, lai to izdarītu.
15:20
These different mice are different mutations
389
905000
2000
Šīs dažādās peles ir dažādas mutācijas,
15:22
that recapitulate different kinds of blindness that affect humans.
390
907000
3000
kas parāda dažādus akluma veidus, kas ietekmē cilvēkus.
15:25
And so we're being careful in trying to look at these different models
391
910000
3000
Un mēs esam piesardzīgi, cenšoties skatīties uz šiem dažādajiem modeļiem,
15:28
so we come up with a generalized approach.
392
913000
2000
tā nu mēs nonākam pie vispārinātas pieejas.
15:30
So how are we going to solve this?
393
915000
2000
Kā mēs to atrisināsim?
15:32
We're going to do exactly what we outlined in the previous slide.
394
917000
2000
Mēs darīsim tieši to, ko pieminējām iepriekšējā slīdā.
15:34
We're going to take these blue light photosensors
395
919000
2000
Mēs paņemsim šos zilās gaismas fotosensorus
15:36
and install them on a layer of cells
396
921000
2000
un ievietosim tos šūnu slānī
15:38
in the middle of the retina in the back of the eye
397
923000
3000
tīklenes vidusdaļā acs aizmugurē
15:41
and convert them into a camera --
398
926000
2000
un pārveidosim tos kamerā.
15:43
just like installing solar cells all over those neurons
399
928000
2000
Tāpat kā ievietojot saules baterijas viscaur šajos neironos,
15:45
to make them light sensitive.
400
930000
2000
lai tos padarītu gaismas jutīgus,
15:47
Light is converted to electricity on them.
401
932000
2000
gaisma tajos ir pārveidota par elektrību.
15:49
So this mouse was blind a couple weeks before this experiment
402
934000
3000
Šī pele bija akla pāris nedēļas pirms šī eksperimenta
15:52
and received one dose of this photosensitive molecule in a virus.
403
937000
3000
un saņēma vienu devu gaismjutīgās molekulas, kas atradās vīrusā.
15:55
And now you can see, the animal can indeed avoid walls
404
940000
2000
Un tagad jūs varat redzēt, ka dzīvnieks var izvairīties no sienām
15:57
and go to this little platform
405
942000
2000
un nokļūt līdz šai mazajai platformai
15:59
and make cognitive use of its eyes again.
406
944000
3000
un izmantot atkal savas acis, lai orientētos.
16:02
And to point out the power of this:
407
947000
2000
Un, lai izskaidrotu tā spēku:
16:04
these animals are able to get to that platform
408
949000
2000
šie dzīvnieki spēj nokļūt līdz platformai
16:06
just as fast as animals that have seen their entire lives.
409
951000
2000
tikpat ātri, kā dzīvnieki, kas ir spējīgi redzēt visu laiku.
16:08
So this pre-clinical study, I think,
410
953000
2000
Šie pirmsklīniskie pētījumi, manuprāt,
16:10
bodes hope for the kinds of things
411
955000
2000
sola cerību daudzām lietām,
16:12
we're hoping to do in the future.
412
957000
2000
kuras mēs ceram darīt nākotnē.
16:14
To close, I want to point out that we're also exploring
413
959000
3000
Noslēgumā es vēlos pateikt, ka mēs izpētām arī
16:17
new business models for this new field of neurotechnology.
414
962000
2000
jaunus biznesa modeļus šim jaunajam neirotehnoloģijas lauciņam.
16:19
We're developing these tools,
415
964000
2000
Mēs attīstām šos rīkus,
16:21
but we share them freely with hundreds of groups all over the world,
416
966000
2000
bet mēs ar tiem brīvi dalāmies ar simtiem grupām visā pasaulē,
16:23
so people can study and try to treat different disorders.
417
968000
2000
tā cilvēki var izpētīt un censties izārstēt dažādas slimības.
16:25
And our hope is that, by figuring out brain circuits
418
970000
3000
Un mūsu cerība ir, ka, abstrakcijas līmenī saprotot
16:28
at a level of abstraction that lets us repair them and engineer them,
419
973000
3000
mūsu smadzeņu ciklus, kas ļauj mums tos atjaunot un veidot,
16:31
we can take some of these intractable disorders that I told you about earlier,
420
976000
3000
mēs varam paņemt dažas no šīm neārstējamām slimībām, par kurām jums stāstīju agrāk,
16:34
practically none of which are cured,
421
979000
2000
no kurām praktiski neviena nav ārstējama,
16:36
and in the 21st century make them history.
422
981000
2000
un 21. gadsimtā padarīt tās par vēsturi.
16:38
Thank you.
423
983000
2000
Paldies jums.
16:40
(Applause)
424
985000
13000
(Aplausi)
16:53
Juan Enriquez: So some of the stuff is a little dense.
425
998000
3000
Huans Enrikess: Dažas no lietām ir nedaudz pagrūtas.
16:56
(Laughter)
426
1001000
2000
(Smiekli)
16:58
But the implications
427
1003000
2000
Bet spēt
17:00
of being able to control seizures or epilepsy
428
1005000
3000
kontrolēt epilepsijas lēkmes
17:03
with light instead of drugs,
429
1008000
2000
ar gaismas palīdzību zāļu vietā,
17:05
and being able to target those specifically
430
1010000
3000
un spēt sasniegt mērķi
17:08
is a first step.
431
1013000
2000
ir pirmais solis.
17:10
The second thing that I think I heard you say
432
1015000
2000
Otra lieta, kuru, es domāju, dzirdēju jūs sakot
17:12
is you can now control the brain in two colors,
433
1017000
3000
ir, ka jūs tagad varat kontrolēt smadzenes divās krāsās.
17:15
like an on/off switch.
434
1020000
2000
Kā ieslēgšanas un izslēgšanas slēdzi.
17:17
Ed Boyden: That's right.
435
1022000
2000
Eds Boidens: Tā ir taisnība.
17:19
JE: Which makes every impulse going through the brain a binary code.
436
1024000
3000
HE: Kas pārveido katru impulsu, ejot caur smadzenēm, par bināro kodu.
17:22
EB: Right, yeah.
437
1027000
2000
EB: Pareizi, jā.
17:24
So with blue light, we can drive information, and it's in the form of a one.
438
1029000
3000
Ar zilu gaismu mēs varam vadīt informāciju, un tā ir vienotā formā.
17:27
And by turning things off, it's more or less a zero.
439
1032000
2000
Un izslēdzot lietas, tā vairāk vai mazāk ir nulle.
17:29
So our hope is to eventually build brain coprocessors
440
1034000
2000
Mēs ceram beidzot uzbūvēt smadzeņu līdzprocesorus,
17:31
that work with the brain
441
1036000
2000
kuri darbojas ar smadzenēm,
17:33
so we can augment functions in people with disabilities.
442
1038000
3000
tā mēs varētu palielināt cilvēku ar invaliditāti funkcijas.
17:36
JE: And in theory, that means that,
443
1041000
2000
HE: Un teorētiski tas nozīmē to,
17:38
as a mouse feels, smells,
444
1043000
2000
ka tad, kad pele sajūt, saož,
17:40
hears, touches,
445
1045000
2000
dzird, pieskaras,
17:42
you can model it out as a string of ones and zeros.
446
1047000
3000
jūs varat uzmodelēt to kā vieninieku un nuļļu virkni.
17:45
EB: Sure, yeah. We're hoping to use this as a way of testing
447
1050000
2000
EB: Protams, jā. Mēs ceram lietot šo, lai pārbaudītu,
17:47
what neural codes can drive certain behaviors
448
1052000
2000
kādi nervu kodi var vadīt noteiktu uzvedību
17:49
and certain thoughts and certain feelings,
449
1054000
2000
un noteiktas domas, un noteiktas sajūtas,
17:51
and use that to understand more about the brain.
450
1056000
3000
un lietot to, lai saprastu par smadzenēm daudz vairāk.
17:54
JE: Does that mean that some day you could download memories
451
1059000
3000
HE: Vai tas nozīmē, ka kādu dienu jūs varēsiet lejuplādēt atmiņas
17:57
and maybe upload them?
452
1062000
2000
un iespējams augšuplādēt tās?
17:59
EB: Well that's something we're starting to work on very hard.
453
1064000
2000
EB: Tas ir kaut kas, pie kā mēs ļoti smagi esam sākuši strādāt.
18:01
We're now working on some work
454
1066000
2000
Mēs pašlaik strādājam pie kāda darba,
18:03
where we're trying to tile the brain with recording elements too.
455
1068000
2000
kurā mēs cenšamies izvietot smadzenēs datu ierakstīšanas elementus.
18:05
So we can record information and then drive information back in --
456
1070000
3000
Tā mēs varam ierakstīt informāciju un tad to ievietot atpakaļ --
18:08
sort of computing what the brain needs
457
1073000
2000
sava veida izskaitļošana, ko smadzenēm vajag,
18:10
in order to augment its information processing.
458
1075000
2000
lai pieaugtu tās informācijas apstrāde.
18:12
JE: Well, that might change a couple things. Thank you. (EB: Thank you.)
459
1077000
3000
HE: Labi, tas varētu mainīt pāris lietas. Paldies jums. (EB: Paldies.)
18:15
(Applause)
460
1080000
3000
(Aplausi)
ABOUT THE SPEAKER
Ed Boyden - NeuroengineerEd Boyden is a professor of biological engineering and brain and cognitive sciences at the MIT Media Lab and the MIT McGovern Institute.
Why you should listen
Ed Boyden leads the Synthetic Neurobiology Group, which develops tools for analyzing and repairing complex biological systems such as the brain. His group applies these tools in a systematic way in order to reveal ground truth scientific understandings of biological systems, which in turn reveal radical new approaches for curing diseases and repairing disabilities. These technologies include expansion microscopy, which enables complex biological systems to be imaged with nanoscale precision, and optogenetic tools, which enable the activation and silencing of neural activity with light (TED Talk: A light switch for neurons). Boyden also co-directs the MIT Center for Neurobiological Engineering, which aims to develop new tools to accelerate neuroscience progress.
Amongst other recognitions, Boyden has received the Breakthrough Prize in Life Sciences (2016), the BBVA Foundation Frontiers of Knowledge Award (2015), the Carnegie Prize in Mind and Brain Sciences (2015), the Jacob Heskel Gabbay Award (2013), the Grete Lundbeck Brain Prize (2013) and the NIH Director's Pioneer Award (2013). He was also named to the World Economic Forum Young Scientist list (2013) and the Technology Review World's "Top 35 Innovators under Age 35" list (2006). His group has hosted hundreds of visitors to learn how to use new biotechnologies and spun out several companies to bring inventions out of his lab and into the world. Boyden received his Ph.D. in neurosciences from Stanford University as a Hertz Fellow, where he discovered that the molecular mechanisms used to store a memory are determined by the content to be learned. Before that, he received three degrees in electrical engineering, computer science and physics from MIT. He has contributed to over 300 peer-reviewed papers, current or pending patents and articles, and he has given over 300 invited talks on his group's work.
Ed Boyden | Speaker | TED.com