ABOUT THE SPEAKER
Riccardo Sabatini - Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions.

Why you should listen

Data scientist Riccardo Sabatini harnesses numerical methods for a surprising variety of fields, from material science research to the study of food commodities (as a past director of the EU research project FoodCAST). His most recent research centers on computational genomics and how to crack the code of life.

In addition to his data research, Sabatini is deeply involved in education for entrepreneurs. He is the founder and co-director of the Quantum ESPRESSO Foundation, an advisor in several data-driven startups, and funder of The HUB Trieste, a social impact accelerator.

More profile about the speaker
Riccardo Sabatini | Speaker | TED.com
TED2016

Riccardo Sabatini: How to read the genome and build a human being

Рикардо Сабатини: Как расшифровать геном и создать человека

Filmed:
1,834,677 views

В человеческом геноме — полном наборе генетических инструкций, необходимых для создания человека, есть место и тайнам, и болезням, и красоте. Сегодня, как показывает нам учёный и предприниматель Рикардо Сабатини, мы способны прочитать этот запутанный код и предсказать рост, цвет глаз, возраст и даже строение лица человека, используя лишь пробирку с его кровью. А скоро, по словам Сабатини, новые знания о геноме позволят нам персонализировать лечение таких заболеваний, как рак. В наших силах изменить привычный ход жизни. Как мы этим воспользуемся?
- Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions. Full bio

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

00:12
For the nextследующий 16 minutesминут,
I'm going to take you on a journeyпоездка
0
612
2762
Следующие 16 минут мы с вами
проведём в путешествии к тому,
00:15
that is probablyвероятно
the biggestсамый большой dreamмечта of humanityчеловечество:
1
3398
3086
что, возможно, является
величайшей мечтой человечества:
00:18
to understandПонимаю the codeкод of life.
2
6508
2015
к пониманию кода жизни.
00:21
So for me, everything startedначал
manyмногие, manyмногие yearsлет agoтому назад
3
9072
2743
Для меня это путешествие началось
много-много лет назад,
00:23
when I metвстретил the first 3D printerпринтер.
4
11839
2723
когда я увидел первый 3D-принтер.
00:26
The conceptконцепция was fascinatingочаровательный.
5
14586
1674
Просто потрясающий принцип:
00:28
A 3D printerпринтер needsпотребности threeтри elementsэлементы:
6
16284
2022
3D-принтеру необходимы три вещи —
00:30
a bitнемного of informationИнформация, some
rawсырье materialматериал, some energyэнергия,
7
18330
4134
немного информации,
исходный материал и энергия,
00:34
and it can produceпроизводить any objectобъект
that was not there before.
8
22488
3334
и тогда он способен напечатать
любой не существовавший ранее предмет.
Я тогда занимался физикой
и, возвращаясь как-то домой,
00:38
I was doing physicsфизика,
I was comingприход back home
9
26517
2137
00:40
and I realizedпонял that I actuallyна самом деле
always knewзнал a 3D printerпринтер.
10
28678
3438
осознал, что на самом деле
всегда был знакóм с 3D-принтером.
00:44
And everyoneвсе does.
11
32140
1336
Как и любой из нас.
00:45
It was my momМама.
12
33500
1158
Этот принтер — моя мама.
00:46
(LaughterСмех)
13
34682
1001
(Смех)
00:47
My momМама takes threeтри elementsэлементы:
14
35707
2414
Мама взяла три ингредиента:
00:50
a bitнемного of informationИнформация, whichкоторый is betweenмежду
my fatherотец and my momМама in this caseдело,
15
38145
3973
немного информации — в данном случае
от себя и от папы, —
00:54
rawсырье elementsэлементы and energyэнергия
in the sameодна и та же mediaСМИ, that is foodпитание,
16
42142
4157
исходный материал и энергию, то есть пищу,
00:58
and after severalнесколько monthsмесяцы, producesпроизводит me.
17
46323
2508
и через несколько месяцев
она произвела на свет меня —
01:00
And I was not existentсуществующий before.
18
48855
1812
не существовавший ранее объект.
01:02
So apartКроме from the shockшок of my momМама
discoveringобнаружение that she was a 3D printerпринтер,
19
50691
3762
Шокировав маму новостью о том,
что она на самом деле 3D-принтер,
01:06
I immediatelyнемедленно got mesmerizedзагипнотизированный
by that pieceкусок,
20
54477
4738
я был совершенно зачарован
одним из ингредиентов,
01:11
the first one, the informationИнформация.
21
59239
1717
самым первым — информацией.
01:12
What amountколичество of informationИнформация does it take
22
60980
2251
Сколько нужно информации,
01:15
to buildстроить and assembleсобирать a humanчеловек?
23
63255
1936
чтобы произвести человека?
01:17
Is it much? Is it little?
24
65215
1574
Много? Мало?
01:18
How manyмногие thumbбольшой палец drivesдиски can you fillзаполнить?
25
66813
2180
Сколько нужно флеш-карт,
чтобы всё уместилось?
01:21
Well, I was studyingизучение physicsфизика
at the beginningначало
26
69017
2624
Я когда-то изучал физику
01:23
and I tookвзял this approximationприближение of a humanчеловек
as a giganticгигантский LegoЛего pieceкусок.
27
71665
5597
и представил человека
как конструкцию LEGO гигантских размеров.
01:29
So, imagineпредставить that the buildingздание
blocksблоки are little atomsатомы
28
77286
3785
Вообразите, что она состоит
из маленьких атомов:
01:33
and there is a hydrogenводород here,
a carbonуглерод here, a nitrogenазот here.
29
81095
4653
водорода, углерода, азота.
01:37
So in the first approximationприближение,
30
85772
1571
Тогда получается,
01:39
if I can listсписок the numberномер of atomsатомы
that composeсоставить a humanчеловек beingявляющийся,
31
87367
4343
что если составить список всех атомов,
из которых состоит человек,
01:43
I can buildстроить it.
32
91734
1387
то можно его создать.
01:45
Now, you can runбег some numbersчисел
33
93145
2029
Что ж, можно произвести подсчёты
01:47
and that happensпроисходит to be
quiteдовольно an astonishingудивительный numberномер.
34
95198
3277
и получить совершенно невероятное число.
01:50
So the numberномер of atomsатомы,
35
98499
2757
Количество атомов,
01:53
the fileфайл that I will saveспасти in my thumbбольшой палец
driveводить машину to assembleсобирать a little babyдетка,
36
101280
4755
тот самый файл, который нужно сохранить
на флешке, чтобы создать ребёнка...
01:58
will actuallyна самом деле fillзаполнить an entireвсе Titanicтитановый
of thumbбольшой палец drivesдиски --
37
106059
4667
На самом деле вам придётся заполнить
такими флешками целый «Титаник»,
02:02
multipliedумноженная 2,000 timesраз.
38
110750
2718
точнее, 2 000 таких «Титаников».
02:05
This is the miracleчудо of life.
39
113957
3401
Вот оно — чудо жизни.
02:09
Everyкаждый time you see from now on
a pregnantбеременная ladyледи,
40
117382
2612
Отныне, встретив беременную женщину,
помните:
02:12
she's assemblingмонтаж the biggestсамый большой
amountколичество of informationИнформация
41
120018
2856
она собирает воедино самый большой
массив информации,
02:14
that you will ever encounterстолкновение.
42
122898
1556
о котором вы когда-либо слышали.
02:16
Forgetзабывать bigбольшой dataданные, forgetзабывать
anything you heardуслышанным of.
43
124478
2950
Куда до него большим данным
и прочим штукам.
02:19
This is the biggestсамый большой amountколичество
of informationИнформация that existsсуществует.
44
127452
2881
Это самый большой в мире массив данных.
02:22
(ApplauseАплодисменты)
45
130357
3833
(Аплодисменты)
02:26
But natureприрода, fortunatelyк счастью, is much smarterумнее
than a youngмолодой physicistфизик,
46
134214
4644
К счастью, природа намного разумнее
молодого физика
02:30
and in four4 billionмиллиард yearsлет, managedудалось
to packпак this informationИнформация
47
138882
3576
и за 4 миллиарда лет умудрилась
упаковать всю эту информацию
02:34
in a smallмаленький crystalкристалл we call DNAДНК.
48
142482
2705
в маленький кристаллик под названием ДНК.
02:37
We metвстретил it for the first time in 1950
when RosalindРозалинда FranklinФранклин,
49
145605
4312
Впервые мы увидели ДНК в 1950 году,
когда Розалинд Франклин,
02:41
an amazingудивительно scientistученый, a womanженщина,
50
149941
1556
замечательная женщина-учёный,
02:43
tookвзял a pictureкартина of it.
51
151521
1389
смогла получить её снимок.
02:44
But it tookвзял us more than 40 yearsлет
to finallyв конце концов pokeсовать insideвнутри a humanчеловек cellклетка,
52
152934
5188
Но понадобилось больше 40 лет,
чтобы забраться в человеческую клетку,
02:50
take out this crystalкристалл,
53
158146
1602
достать этот кристаллик,
02:51
unrollразвертываться it, and readчитать it for the first time.
54
159772
3080
развернуть и впервые его прочесть.
02:55
The codeкод comesвыходит out to be
a fairlyдовольно simpleпросто alphabetалфавит,
55
163615
3241
Код оказался довольно простой азбукой —
02:58
four4 lettersбуквы: A, T, C and G.
56
166880
3772
всего четыре буквы: А, Т, С и G.
03:02
And to buildстроить a humanчеловек,
you need threeтри billionмиллиард of them.
57
170676
3490
И чтобы создать человека,
понадобится 3 миллиарда этих букв.
03:06
ThreeТри billionмиллиард.
58
174933
1179
3 миллиарда.
03:08
How manyмногие are threeтри billionмиллиард?
59
176136
1579
Насколько это много?
03:09
It doesn't really make
any senseсмысл as a numberномер, right?
60
177739
2762
Само число нам ни о чём не говорит.
03:12
So I was thinkingмышление how
I could explainобъяснять myselfсебя better
61
180525
4085
Я задумался, как понагляднее объяснить,
03:16
about how bigбольшой and enormousогромный this codeкод is.
62
184634
3050
насколько этот код грандиозен и огромен.
03:19
But there is -- I mean,
I'm going to have some help,
63
187708
3054
Мне понадобится помощь,
03:22
and the bestЛучший personчеловек to help me
introduceвводить the codeкод
64
190786
3227
и кто лучше может представить вам
код жизни,
03:26
is actuallyна самом деле the first man
to sequenceпоследовательность it, Drдоктор. CraigCraig Venterбрюшко.
65
194037
3522
чем человек, впервые его расшифровавший,
Крейг Вентер?
03:29
So welcomeдобро пожаловать onstageна сцене, Drдоктор. CraigCraig Venterбрюшко.
66
197583
3390
Итак, добро пожаловать на сцену,
Крейг Вентер.
03:32
(ApplauseАплодисменты)
67
200997
6931
(Аплодисменты)
03:39
Not the man in the fleshплоть,
68
207952
2256
Не сам Крейг во плоти,
03:43
but for the first time in historyистория,
69
211448
2345
но, впервые в истории,
03:45
this is the genomeгеном of a specificконкретный humanчеловек,
70
213817
3462
генóм конкретного человека,
03:49
printedпечатные page-by-pageСтраница за страницей, letter-by-letterписьмо-на-письмо:
71
217303
3760
распечатанный постранично,
буква за буквой,
03:53
262,000 pagesстраницы of informationИнформация,
72
221087
3996
262 000 страниц информации,
03:57
450 kilogramsкг, shippedпогружено
from the Unitedобъединенный Statesсостояния to CanadaКанада
73
225107
4364
450 килограммов, доставленных
из США в Канаду, —
04:01
thanksблагодаря to BrunoBruno BowdenБоуден,
Luluклассная штука.comком, a start-upзапускать, did everything.
74
229495
4843
спасибо Бруно Бодену и компании Lulu.com,
которые всё организовали.
04:06
It was an amazingудивительно featподвиг.
75
234362
1463
Это был целый подвиг.
04:07
But this is the visualвизуальный perceptionвосприятие
of what is the codeкод of life.
76
235849
4297
Вот наглядное представление кода жизни.
04:12
And now, for the first time,
I can do something funвесело.
77
240170
2478
А сейчас я впервые могу
проделать кое-что занятное.
04:14
I can actuallyна самом деле pokeсовать insideвнутри it and readчитать.
78
242672
2547
Я могу заглянуть внутрь и почитать.
04:17
So let me take an interestingинтересно
bookкнига ... like this one.
79
245243
4625
Давайте-ка я возьму интересную книжку,
к примеру вот эту.
04:25
I have an annotationаннотирование;
it's a fairlyдовольно bigбольшой bookкнига.
80
253077
2534
У меня тут закладка —
том довольно увесистый.
04:27
So just to let you see
what is the codeкод of life.
81
255635
3727
Давайте я покажу вам,
как выглядит код жизни.
04:32
Thousandsтысячи and thousandsтысячи and thousandsтысячи
82
260566
3391
Тысячи, тысячи, тысячи,
04:35
and millionsмиллионы of lettersбуквы.
83
263981
2670
миллионы букв.
04:38
And they apparentlyпо всей видимости make senseсмысл.
84
266675
2396
И они явно что-то означают.
04:41
Let's get to a specificконкретный partчасть.
85
269095
1757
Давайте заглянем вот сюда.
04:43
Let me readчитать it to you:
86
271571
1362
Я вам почитаю:
04:44
(LaughterСмех)
87
272957
1021
(Смех)
04:46
"AAGAAG, AATAAT, ATAATA."
88
274002
4006
«ААG, AAT, ATA».
04:50
To you it soundsзвуки like muteнемой lettersбуквы,
89
278965
2067
Для вас это ничего не значащие буквы,
04:53
but this sequenceпоследовательность givesдает
the colorцвет of the eyesглаза to CraigCraig.
90
281056
4041
но эта последовательность отвечает
за цвет глаз Крейга.
04:57
I'll showпоказать you anotherдругой partчасть of the bookкнига.
91
285633
1932
Я покажу вам ещё одну книгу.
04:59
This is actuallyна самом деле a little
more complicatedсложно.
92
287589
2094
Здесь чуть посложнее.
05:02
Chromosomeхромосома 14, bookкнига 132:
93
290983
2647
Хромосома 14, том 132.
05:05
(LaughterСмех)
94
293654
2090
(Смех)
05:07
As you mightмог бы expectожидать.
95
295768
1277
Как и следовало ожидать.
05:09
(LaughterСмех)
96
297069
3466
(Смех)
05:14
"ATTATT, CTTСТТ, GATTГАТТ."
97
302857
4507
«AТT, CTT, GATT».
05:20
This humanчеловек is luckyвезучий,
98
308329
1687
Этому человеку повезло,
05:22
because if you missМисс just
two lettersбуквы in this positionдолжность --
99
310040
4517
потому что, пропади хотя бы две буквы
вот в этом месте —
05:26
two lettersбуквы of our threeтри billionмиллиард --
100
314581
1877
всего две буквы из трёх миллиардов, —
05:28
he will be condemnedосужденный
to a terribleужасный diseaseболезнь:
101
316482
2019
он был бы обречён на ужасный недуг:
05:30
cysticкистозный fibrosisфиброз.
102
318525
1440
муковисцидоз.
05:31
We have no cureлечение for it,
we don't know how to solveрешать it,
103
319989
3413
Лекарств от него не придумано,
мы не знаем, что с этим делать, —
05:35
and it's just two lettersбуквы
of differenceразница from what we are.
104
323426
3755
и всего лишь две буквы отделяют нас
от этой болезни.
05:39
A wonderfulзамечательно bookкнига, a mightyмогущественный bookкнига,
105
327585
2705
Удивительная, мощная книга,
05:43
a mightyмогущественный bookкнига that helpedпомог me understandПонимаю
106
331115
1998
которая помогла мне понять
05:45
and showпоказать you something quiteдовольно remarkableзамечательный.
107
333137
2753
и показать вам
нечто весьма примечательное.
05:48
Everyкаждый one of you -- what makesмарки
me, me and you, you --
108
336480
4435
То, что делает меня мной,
а вас вами, —
05:52
is just about five5 millionмиллиона of these,
109
340939
2954
всего лишь пять миллионов букв,
05:55
halfполовина a bookкнига.
110
343917
1228
половина тома.
05:58
For the restотдых,
111
346015
1663
В остальном
05:59
we are all absolutelyабсолютно identicalидентичный.
112
347702
2562
мы совершенно идентичны.
06:03
Five5 hundredсто pagesстраницы
is the miracleчудо of life that you are.
113
351008
4018
Чудо жизни, коим вы являетесь, —
это всего пять сотен страниц.
06:07
The restотдых, we all shareдоля it.
114
355050
2531
Всё остальное у всех одинаково.
06:09
So think about that again
when we think that we are differentдругой.
115
357605
2909
Вспомните об этом, когда услышите,
что все мы разные.
06:12
This is the amountколичество that we shareдоля.
116
360538
2221
Всё это у нас одинаково.
06:15
So now that I have your attentionвнимание,
117
363441
3429
Теперь, когда я вас заинтересовал,
06:18
the nextследующий questionвопрос is:
118
366894
1359
задам новый вопрос:
06:20
How do I readчитать it?
119
368277
1151
а как читать этот код?
06:21
How do I make senseсмысл out of it?
120
369452
1509
Как в нём разобраться?
06:23
Well, for howeverОднако good you can be
at assemblingмонтаж Swedishшведский furnitureмебель,
121
371409
4240
Что ж, даже если вы специалист
по сбору мебели из IKEA,
06:27
this instructionинструкция manualруководство
is nothing you can crackтрещина in your life.
122
375673
3563
на то, чтобы раскусить эту инструкцию,
вам не хватит всей жизни.
06:31
(LaughterСмех)
123
379260
1603
(Смех)
06:32
And so, in 2014, two famousизвестный TEDstersTEDsters,
124
380887
3112
В 2014 году два знаменитых участника TED,
06:36
PeterПитер DiamandisДиамандиса and CraigCraig Venterбрюшко himselfсам,
125
384023
2540
Питер Диамандис и Крейг Вентер,
06:38
decidedприняли решение to assembleсобирать a newновый companyКомпания.
126
386587
1927
решили создать новую компанию.
06:40
HumanЧеловек Longevityдолголетие was bornРодился,
127
388538
1412
Так появилась Human Longevity,
06:41
with one missionмиссия:
128
389974
1370
миссией которой было
06:43
tryingпытаясь everything we can try
129
391368
1861
испытать всё, что можно испытать,
06:45
and learningобучение everything
we can learnучить from these booksкниги,
130
393253
2759
исследовать всё, что можно
исследовать в этих книгах,
06:48
with one targetцель --
131
396036
1705
с одной целью:
воплотить в реальность мечту
о персонализированной медицине,
06:50
makingизготовление realреальный the dreamмечта
of personalizedперсонализированные medicineлекарственное средство,
132
398862
2801
06:53
understandingпонимание what things
should be doneсделанный to have better healthздоровье
133
401687
3767
понять, что нужно сделать,
чтобы улучшить здоровье
06:57
and what are the secretsсекреты in these booksкниги.
134
405478
2283
и разгадать все загадки этих книг.
07:00
An amazingудивительно teamкоманда, 40 dataданные scientistsученые
and manyмногие, manyмногие more people,
135
408329
4250
Замечательная команда — 40 специалистов
по обработке данных и многие другие люди,
07:04
a pleasureудовольствие to work with.
136
412603
1350
прекрасные коллеги.
07:05
The conceptконцепция is actuallyна самом деле very simpleпросто.
137
413977
2253
Идея на самом деле очень проста.
07:08
We're going to use a technologyтехнологии
calledназывается machineмашина learningобучение.
138
416254
3158
Мы используем технологию под названием
«машинное обучение».
07:11
On one sideбоковая сторона, we have genomesгеномы --
thousandsтысячи of them.
139
419436
4539
С одной стороны,
у нас есть тысячи геномов.
07:15
On the other sideбоковая сторона, we collectedсобранный
the biggestсамый большой databaseбаза данных of humanчеловек beingsсущества:
140
423999
3997
С другой стороны, мы собрали огромнейшую
базу данных о различных индивидуумах:
07:20
phenotypesфенотипы, 3D scanсканирование, NMRЯМР --
everything you can think of.
141
428020
4296
фенотипы, 3D-снимки, магнитный резонанс —
чего там только нет.
07:24
Insideвнутри there, on these two oppositeнапротив sidesстороны,
142
432340
2899
Две противоположные стороны
07:27
there is the secretсекрет of translationперевод.
143
435263
2442
связаны секретом трансляции генов.
07:29
And in the middleсредний, we buildстроить a machineмашина.
144
437729
2472
Мы создали для этого машину
07:32
We buildстроить a machineмашина
and we trainпоезд a machineмашина --
145
440801
2385
и научили её —
07:35
well, not exactlyв точку one machineмашина,
manyмногие, manyмногие machinesмашины --
146
443210
3210
вообще-то, не одну, а много-много машин —
07:38
to try to understandПонимаю and translateпереведите
the genomeгеном in a phenotypeфенотип.
147
446444
4544
научили понимать и транслировать
геном в фенотип.
07:43
What are those lettersбуквы,
and what do they do?
148
451362
3340
Что это за буквы, за что они отвечают?
07:46
It's an approachподход that can
be used for everything,
149
454726
2747
Такой подход применим повсюду,
07:49
but usingс помощью it in genomicsгеномика
is particularlyв частности complicatedсложно.
150
457497
2993
но в геномике он особенно замысловат.
07:52
Little by little we grewвырос and we wanted
to buildстроить differentдругой challengesпроблемы.
151
460514
3276
Потихоньку мы развивались
и ставили перед собой различные задачи.
07:55
We startedначал from the beginningначало,
from commonобщий traitsчерты.
152
463814
2732
Мы начали с простого —
с общих характеристик.
07:58
Commonобщий traitsчерты are comfortableудобный
because they are commonобщий,
153
466570
2603
С ними удобно работать,
потому что они общие,
08:01
everyoneвсе has them.
154
469197
1184
они есть у каждого.
08:02
So we startedначал to askпросить our questionsвопросов:
155
470405
2494
Мы начали задаваться вопросами.
08:04
Can we predictпрогнозировать heightвысота?
156
472923
1380
Можно ли предугадать рост?
08:06
Can we readчитать the booksкниги
and predictпрогнозировать your heightвысота?
157
474985
2177
Можно ли прочесть эти тома
и угадать ваш рост?
08:09
Well, we actuallyна самом деле can,
158
477186
1151
На самом деле можно —
08:10
with five5 centimetersсм of precisionточность.
159
478361
1793
с точностью до 5 сантиметров.
08:12
BMIBMI is fairlyдовольно connectedсвязанный to your lifestyleСтиль жизни,
160
480178
3135
Индекс массы тела часто связан
с образом жизни,
08:15
but we still can, we get in the ballparkстадион,
eight8 kilogramsкг of precisionточность.
161
483337
3864
но его тоже можно предсказать
с погрешностью в 8 килограммов.
08:19
Can we predictпрогнозировать eyeглаз colorцвет?
162
487225
1231
Спрогнозировать цвет глаз?
08:20
Yeah, we can.
163
488480
1158
Можем.
08:21
EightyВосемьдесят percentпроцент accuracyточность.
164
489662
1324
С точностью 80%.
08:23
Can we predictпрогнозировать skinкожа colorцвет?
165
491466
1858
Цвет кожи?
08:25
Yeah we can, 80 percentпроцент accuracyточность.
166
493348
2441
С точностью 80%.
08:27
Can we predictпрогнозировать ageвозраст?
167
495813
1340
Можем ли мы угадать возраст?
08:30
We can, because apparentlyпо всей видимости,
the codeкод changesизменения duringв течение your life.
168
498121
3739
Да, потому что, по всей видимости,
код меняется с возрастом:
08:33
It getsполучает shorterкороче, you loseпотерять piecesкуски,
it getsполучает insertionsвставки.
169
501884
3282
укорачивается, какие-то кусочки теряются,
какие-то появляются.
08:37
We readчитать the signalsсигналы, and we make a modelмодель.
170
505190
2555
Мы считываем сигналы, мы создаём модель.
08:40
Now, an interestingинтересно challengeвызов:
171
508438
1475
Вот интересная задачка:
08:41
Can we predictпрогнозировать a humanчеловек faceлицо?
172
509937
1729
можем ли мы предугадать черты лица?
08:45
It's a little complicatedсложно,
173
513014
1278
Это непросто,
потому что гены, отвечающие за черты лица,
зашифрованы в миллионнах букв.
08:46
because a humanчеловек faceлицо is scatteredразбросанный
amongсреди millionsмиллионы of these lettersбуквы.
174
514316
3191
08:49
And a humanчеловек faceлицо is not
a very well-definedвполне определенный objectобъект.
175
517531
2629
Лицо человека
трудно поддаётся определению.
08:52
So, we had to buildстроить an entireвсе tierярус of it
176
520184
2051
Над этим пришлось поработать отдельно:
08:54
to learnучить and teachучат
a machineмашина what a faceлицо is,
177
522259
2710
изучить и объяснить машине,
что такое лицо,
08:56
and embedвстраивать and compressкомпресс it.
178
524993
2037
а затем встроить эти данные в алгоритм.
08:59
And if you're comfortableудобный
with machineмашина learningобучение,
179
527054
2248
Если вы разбираетесь в машинном обучении,
09:01
you understandПонимаю what the challengeвызов is here.
180
529326
2284
вы понимаете, насколько это сложно.
09:04
Now, after 15 yearsлет -- 15 yearsлет after
we readчитать the first sequenceпоследовательность --
181
532108
5991
Спустя 15 лет после первой расшифровки,
09:10
this Octoberоктября, we startedначал
to see some signalsсигналы.
182
538123
2902
в октябре этого года,
мы начали получать первые сигналы.
09:13
And it was a very emotionalэмоциональный momentмомент.
183
541049
2455
Это был очень волнующий момент.
09:15
What you see here is a subjectпредмет
comingприход in our labлаборатория.
184
543528
3745
Здесь вы видите лицо участницы
эксперимента нашей лаборатории,
09:19
This is a faceлицо for us.
185
547619
1928
мы работали с этим лицом.
09:21
So we take the realреальный faceлицо of a subjectпредмет,
we reduceуменьшить the complexityсложность,
186
549571
3631
Мы берём данные его черт, упрощаем их,
09:25
because not everything is in your faceлицо --
187
553226
1970
так как нам не нужно всё —
09:27
lots of featuresфункции and defectsдефекты
and asymmetriesасимметричность come from your life.
188
555220
3786
многие особенности и дефекты приобретаются
уже в течение жизни.
09:31
We symmetrizeделать симметричным the faceлицо,
and we runбег our algorithmалгоритм.
189
559030
3469
Мы делаем лицо более симметричным
и запускаем наш алгоритм.
09:35
The resultsРезультаты that I showпоказать you right now,
190
563245
1898
Результаты, которые я вам покажу, —
09:37
this is the predictionпрогнозирование we have
from the bloodкровь.
191
565167
3372
это то, что нам удалось предсказать
на основе образца крови.
09:41
(ApplauseАплодисменты)
192
569596
1524
(Аплодисменты)
09:43
Wait a secondвторой.
193
571144
1435
Секундочку.
09:44
In these secondsсекунд, your eyesглаза are watchingнаблюдение,
left and right, left and right,
194
572603
4692
Сейчас вы переводите взгляд слева направо,
справа налево:
09:49
and your brainголовной мозг wants
those picturesкартинки to be identicalидентичный.
195
577319
3930
вашему мозгу хочется найти
признаки идентичности этих изображений.
09:53
So I askпросить you to do
anotherдругой exerciseупражнение, to be honestчестный.
196
581273
2446
Для чистоты эксперимента
давайте сделаем по-другому.
09:55
Please searchпоиск for the differencesразличия,
197
583743
2287
Пожалуйста, поищите различия,
09:58
whichкоторый are manyмногие.
198
586054
1361
их здесь немало.
09:59
The biggestсамый большой amountколичество of signalсигнал
comesвыходит from genderПол,
199
587439
2603
Самый сильный сигнал отвечает за пол,
10:02
then there is ageвозраст, BMIBMI,
the ethnicityэтническая принадлежность componentкомпонент of a humanчеловек.
200
590066
5201
затем возраст, индекс массы тела,
этническую принадлежность.
10:07
And scalingпересчет up over that signalсигнал
is much more complicatedсложно.
201
595291
3711
Разобраться в этих сигналах
совсем непросто.
10:11
But what you see here,
even in the differencesразличия,
202
599026
3250
Но то, что вы здесь видите,
даже различия,
10:14
letsДавайте you understandПонимаю
that we are in the right ballparkстадион,
203
602300
3595
показывает, что мы на верном пути,
10:17
that we are gettingполучение closerближе.
204
605919
1348
мы всё ближе к истине.
10:19
And it's alreadyуже givingдающий you some emotionsэмоции.
205
607291
2349
Уже только это будоражит эмоции.
10:21
This is anotherдругой subjectпредмет
that comesвыходит in placeместо,
206
609664
2703
Это ещё один наш испытуемый,
10:24
and this is a predictionпрогнозирование.
207
612391
1409
а это полученный прогноз.
10:25
A little smallerменьше faceлицо, we didn't get
the completeполный cranialчерепной structureсостав,
208
613824
4596
Лицо не такое крупное, не совсем удалось
передать строение черепа,
10:30
but still, it's in the ballparkстадион.
209
618444
2651
но всё равно — очень близко.
10:33
This is a subjectпредмет that comesвыходит in our labлаборатория,
210
621634
2224
Вот другой испытуемый,
10:35
and this is the predictionпрогнозирование.
211
623882
1443
а вот наш расчёт.
10:38
So these people have never been seenвидели
in the trainingобучение of the machineмашина.
212
626056
4676
Когда мы обучали машину,
мы не использовали эти изображения.
10:42
These are the so-calledтак называемые "held-outудерживаемые из" setзадавать.
213
630756
2837
Это так называемый «резерв».
10:45
But these are people that you will
probablyвероятно never believe.
214
633617
3740
Но в случае с этими людьми
вам трудно оценить наш успех.
10:49
We're publishingиздательский everything
in a scientificнаучный publicationпубликация,
215
637381
2676
Мы всё опубликуем в научной статье,
10:52
you can readчитать it.
216
640081
1151
вы сможете её почитать.
10:53
But sinceпоскольку we are onstageна сцене,
ChrisКрис challengedвызов me.
217
641256
2344
Однако Крис поставил передо мной
непростую задачу.
10:55
I probablyвероятно exposedподвергаются myselfсебя
and triedпытался to predictпрогнозировать
218
643624
3626
Возможно, я рисковал, но я попытался
спрогнозировать внешность человека,
10:59
someoneкто то that you mightмог бы recognizeпризнать.
219
647274
2831
которого вы способны узнать.
11:02
So, in this vialфлакон of bloodкровь --
and believe me, you have no ideaидея
220
650470
4425
Итак, в этой пробирке с кровью —
поверьте, вы даже не представляете,
11:06
what we had to do to have
this bloodкровь now, here --
221
654919
2880
на что нам пришлось пойти,
чтобы добыть эту пробирку, —
11:09
in this vialфлакон of bloodкровь is the amountколичество
of biologicalбиологический informationИнформация
222
657823
3901
в этой пробирке находится
биологическая информация,
11:13
that we need to do a fullполный genomeгеном sequenceпоследовательность.
223
661748
2277
необходимая для полной расшифровки генома.
11:16
We just need this amountколичество.
224
664049
2070
Достаточно вот такого количества.
11:18
We ranпобежал this sequenceпоследовательность,
and I'm going to do it with you.
225
666528
3205
Мы сделали расшифровку,
я вас проведу через процесс.
11:21
And we startНачало to layerслой up
all the understandingпонимание we have.
226
669757
3979
Слой за слоем складывается наша картинка.
11:25
In the vialфлакон of bloodкровь,
we predictedпредсказанный he's a maleмужской.
227
673760
3350
С помощью этой пробирки мы определили,
что это мужчина.
11:29
And the subjectпредмет is a maleмужской.
228
677134
1364
И это действительно мужчина.
11:30
We predictпрогнозировать that he's a meterметр and 76 cmсм.
229
678996
2438
Мы предсказали, что его рост — 1,76 см.
11:33
The subjectпредмет is a meterметр and 77 cmсм.
230
681458
2392
Рост испытуемого — 1,77 см.
11:35
So, we predictedпредсказанный that he's 76;
the subjectпредмет is 82.
231
683874
4110
Мы рассчитали, что он весит 76 кг,
оказалось — 82 кг.
11:40
We predictпрогнозировать his ageвозраст, 38.
232
688701
2632
Предсказанный возраст — 38 лет.
11:43
The subjectпредмет is 35.
233
691357
1904
Испытуемому 35.
11:45
We predictпрогнозировать his eyeглаз colorцвет.
234
693851
2124
Определили цвет его глаз.
11:48
Too darkтемно.
235
696824
1211
Более тёмный оттенок.
11:50
We predictпрогнозировать his skinкожа colorцвет.
236
698059
1555
Теперь цвет кожи.
11:52
We are almostпочти there.
237
700026
1410
Почти угадали.
11:53
That's his faceлицо.
238
701899
1373
Вот его лицо.
11:57
Now, the revealвыявить momentмомент:
239
705172
3269
Настаёт момент истины:
12:00
the subjectпредмет is this personчеловек.
240
708465
1770
вот наш испытуемый.
12:02
(LaughterСмех)
241
710259
1935
(Смех)
12:04
And I did it intentionallyнамеренно.
242
712218
2058
Я сделал это нарочно.
12:06
I am a very particularконкретный
and peculiarсвоеобразный ethnicityэтническая принадлежность.
243
714300
3692
У меня очень специфическая национальность.
12:10
Southernюжный EuropeanЕвропейская, Italiansитальянцы --
they never fitпоместиться in modelsмодели.
244
718016
2950
Южноевропеец, итальянец —
мы вечно не вписываемся в модели.
12:12
And it's particularконкретный -- that ethnicityэтническая принадлежность
is a complexсложный cornerугол caseдело for our modelмодель.
245
720990
5130
А для нашей модели
этническая принадлежность очень важна.
12:18
But there is anotherдругой pointточка.
246
726144
1509
Но есть ещё кое-что.
12:19
So, one of the things that we use
a lot to recognizeпризнать people
247
727677
3477
Одна из черт, которую мы часто используем
для узнавания лиц,
12:23
will never be writtenнаписано in the genomeгеном.
248
731178
1722
никогда не будет отражена в геноме.
12:24
It's our freeсвободно will, it's how I look.
249
732924
2317
Это наш свободный выбор, это то,
как я выгляжу.
12:27
Not my haircutстрижка in this caseдело,
but my beardборода cutпорез.
250
735265
3229
В моём случае — не прическа,
а форма бороды.
12:30
So I'm going to showпоказать you, I'm going to,
in this caseдело, transferперевод it --
251
738518
3553
Сейчас я вам покажу —
12:34
and this is nothing more
than PhotoshopPhotoshop, no modelingмоделирование --
252
742095
2765
и это Photoshop и ничего больше,
никакого моделирования —
12:36
the beardборода on the subjectпредмет.
253
744884
1713
мы перенесём бороду вот сюда.
12:38
And immediatelyнемедленно, we get
much, much better in the feelingчувство.
254
746621
3472
И сразу же всё становится гораздо лучше.
12:42
So, why do we do this?
255
750955
2709
Итак, зачем мы этим занимаемся?
12:47
We certainlyбезусловно don't do it
for predictingпрогнозирования heightвысота
256
755938
5140
Конечно, не для того, чтобы угадывать рост
12:53
or takingпринятие a beautifulкрасивая pictureкартина
out of your bloodкровь.
257
761102
2372
или получать красивые картинки
по данным крови.
12:56
We do it because the sameодна и та же technologyтехнологии
and the sameодна и та же approachподход,
258
764390
4018
Мы делаем это потому,
что эта технология, этот метод,
13:00
the machineмашина learningобучение of this codeкод,
259
768432
2520
машинное обучение в генетике,
13:02
is helpingпомощь us to understandПонимаю how we work,
260
770976
3137
помогает нам понять, как мы функционируем,
13:06
how your bodyтело worksработает,
261
774137
1486
как работает наше тело,
13:07
how your bodyтело agesвозраст,
262
775647
1665
как оно стареет,
13:09
how diseaseболезнь generatesгенерирует in your bodyтело,
263
777336
2769
как возникают заболевания,
13:12
how your cancerрак growsрастет and developsразвивается,
264
780129
2972
как появляется и развивается рак,
13:15
how drugsнаркотики work
265
783125
1783
как действуют лекарства
13:16
and if they work on your bodyтело.
266
784932
2314
и действуют ли они на вас лично.
13:19
This is a hugeогромный challengeвызов.
267
787713
1667
Это сложнейшая задача.
13:21
This is a challengeвызов that we shareдоля
268
789894
1638
Над этой задачей мы работаем
13:23
with thousandsтысячи of other
researchersисследователи around the worldМир.
269
791556
2579
вместе с тысячами других исследователей
по всему миру.
13:26
It's calledназывается personalizedперсонализированные medicineлекарственное средство.
270
794159
2222
Это называется
«персонализированная медицина».
13:29
It's the abilityспособность to moveпереехать
from a statisticalстатистический approachподход
271
797125
3460
Это переход от статистического подхода,
13:32
where you're a dotточка in the oceanокеан,
272
800609
2032
когда вы капля в море,
13:34
to a personalizedперсонализированные approachподход,
273
802665
1813
к персонализированному подходу,
13:36
where we readчитать all these booksкниги
274
804502
2185
когда мы читаем все эти книги
13:38
and we get an understandingпонимание
of exactlyв точку how you are.
275
806711
2864
и точно понимаем все ваши особенности.
13:42
But it is a particularlyв частности
complicatedсложно challengeвызов,
276
810260
3362
Но задача эта особенно сложна,
13:45
because of all these booksкниги, as of todayCегодня,
277
813646
3998
потому что сегодня из всех этих томов
13:49
we just know probablyвероятно two percentпроцент:
278
817668
2642
мы изучили, вероятно, примерно 2% —
13:53
four4 booksкниги of more than 175.
279
821027
3653
4 тома из более чем 175.
13:58
And this is not the topicтема of my talk,
280
826021
3206
Но я сегодня говорю не об этом,
14:02
because we will learnучить more.
281
830145
2598
потому что всё ещё впереди.
14:05
There are the bestЛучший mindsумов
in the worldМир on this topicтема.
282
833378
2669
Над этим работают лучшие умы планеты.
14:09
The predictionпрогнозирование will get better,
283
837048
1834
Мы научимся лучше предсказывать,
14:10
the modelмодель will get more preciseточный.
284
838906
2253
модель станет точнее.
14:13
And the more we learnучить,
285
841183
1858
И чем больше мы будем узнавать,
14:15
the more we will
be confrontedстолкнувшись with decisionsрешения
286
843065
4830
тем больше перед нами
будет вставать вопросов,
14:19
that we never had to faceлицо before
287
847919
3021
с которыми нам не приходилось
сталкиваться раньше:
14:22
about life,
288
850964
1435
вопросов о жизни,
14:24
about deathсмерть,
289
852423
1674
о смерти,
14:26
about parentingвоспитание.
290
854121
1603
о рождении и воспитании детей.
14:32
So, we are touchingтрогательный the very
innerвнутренний detailподробно on how life worksработает.
291
860626
4746
Мы касаемся самых потаённых деталей
того, как работает сама жизнь.
14:38
And it's a revolutionреволюция
that cannotне могу be confinedограниченный
292
866118
3158
Эту революцию нельзя ограничивать
14:41
in the domainдомен of scienceнаука or technologyтехнологии.
293
869300
2659
рамками науки и технологии.
14:44
This mustдолжен be a globalГлобальный conversationразговор.
294
872960
2244
Это должно обсуждаться глобально.
14:47
We mustдолжен startНачало to think of the futureбудущее
we're buildingздание as a humanityчеловечество.
295
875798
5217
Нам нужно задуматься
о будущем человечества.
14:53
We need to interactвзаимодействовать with creativesобъявления,
with artistsхудожники, with philosophersфилософы,
296
881039
4064
Нужно взаимодействовать
с творческими людьми, художниками,
14:57
with politiciansполитики.
297
885127
1510
философами, политиками.
14:58
EveryoneВсе is involvedучаствует,
298
886661
1158
Это касается каждого,
14:59
because it's the futureбудущее of our speciesвид.
299
887843
2825
потому что это будущее
нашего биологического вида.
15:03
WithoutБез fearстрах, but with the understandingпонимание
300
891273
3968
Без страха, но с пониманием того,
15:07
that the decisionsрешения
that we make in the nextследующий yearгод
301
895265
3871
что решения, которые мы примем
в ближайшем будущем,
15:11
will changeизменение the courseкурс of historyистория foreverнавсегда.
302
899160
3789
способны навсегда изменить ход истории.
15:15
Thank you.
303
903732
1160
Спасибо.
15:16
(ApplauseАплодисменты)
304
904916
10159
(Аплодисменты)
Translated by Anna Kotova
Reviewed by Yulia Kallistratova

▲Back to top

ABOUT THE SPEAKER
Riccardo Sabatini - Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions.

Why you should listen

Data scientist Riccardo Sabatini harnesses numerical methods for a surprising variety of fields, from material science research to the study of food commodities (as a past director of the EU research project FoodCAST). His most recent research centers on computational genomics and how to crack the code of life.

In addition to his data research, Sabatini is deeply involved in education for entrepreneurs. He is the founder and co-director of the Quantum ESPRESSO Foundation, an advisor in several data-driven startups, and funder of The HUB Trieste, a social impact accelerator.

More profile about the speaker
Riccardo Sabatini | Speaker | TED.com