ABOUT THE SPEAKER
Allan Jones - Brain scientist
As CEO of the Allen Institute for Brain Science, Allan Jones leads an ambitious project to build an open, online, interactive atlas of the human brain.

Why you should listen

The Allen Institute for Brain Science -- based in Seattle, kickstarted by Microsoft co-founder Paul Allen -- has a mission to fuel discoveries about the human brain by building tools the entire scientific community can use. As CEO, one of Allan Jones' first projects was to lead the drive to create a comprehensive atlas of the brain of a mouse. Flash forward to April 2011, when the Allen Institute announced the first milestone in its online interactive atlas of the human brain, showing the activity of the more than 20,000 human genes it contains. It's based on a composite of 15 brains, since every human brain is unique.

Think of the Allen Human Brain Atlas as a high-tech bridge between brain anatomy and genetics. Using this atlas, scientists will be able to determine where in the brain genes that encode specific proteins are active, including proteins that are affected by medication. Or researchers could zoom in on brain structures thought to be altered in mental disorders such as schizophrenia to find their molecular footprint. The atlas may provide clues to memory, attention, motor coordination, hunger, and perhaps emotions such as happiness or anxiety.

He says: "Understanding how our genes are used in our brains will help scientists and the medical community better understand and discover new treatments for the full spectrum of brain diseases and disorders."

Watch Dr. Jones' latest TEDx talk on the map of the brain, from TEDxCaltech 2013 >>

More profile about the speaker
Allan Jones | Speaker | TED.com
TEDGlobal 2011

Allan Jones: A map of the brain

Allan Jones: Beynin haritası

Filmed:
1,269,611 views

Beynin çalışma şeklini anlamaya nasıl başlayabiliriz? Bir şehri anlamak için yaptığımız gibi: bir harita çıkararak. Allan Jones bu görsel açıdan enfes konuşmasında takımının, beynin en ufak bölgelerinde etkin hale gelen genlerin haritalamasını nasıl yaptığını ve tüm bunların nasıl bir araya geldiğini gösteriyor.
- Brain scientist
As CEO of the Allen Institute for Brain Science, Allan Jones leads an ambitious project to build an open, online, interactive atlas of the human brain. Full bio

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

00:15
Humansİnsanlar have long heldbekletilen a fascinationhayranlık
0
0
2000
İnsanlar çok uzun zamandır
00:17
for the humaninsan brainbeyin.
1
2000
2000
insan beynine hayran kalmıştır.
00:19
We chartgrafik it, we'vebiz ettik describedtarif edilen it,
2
4000
3000
Onun şemasını çıkardık, onu tanımladık,
00:22
we'vebiz ettik drawnçekilmiş it,
3
7000
2000
resimlerini çizdik
00:24
we'vebiz ettik mappedeşlenen it.
4
9000
3000
ve haritasını çıkardık.
00:27
Now just like the physicalfiziksel mapsharitalar of our worldDünya
5
12000
3000
Tıpkı dünyamızın
00:30
that have been highlybüyük ölçüde influencedetkilenmiş by technologyteknoloji --
6
15000
3000
teknolojiden büyük oranda etkilenen haritaları gibi --
00:33
think GoogleGoogle MapsHaritalar,
7
18000
2000
Google Haritalar'ı,
00:35
think GPSGPS --
8
20000
2000
GPS'i düşünün --
00:37
the sameaynı thing is happeningolay for brainbeyin mappingharitalama
9
22000
2000
aynı şey, dönüşümle
00:39
throughvasitasiyla transformationdönüşüm.
10
24000
2000
beynin haritalanmasında da gerçekleşmektedir.
00:41
So let's take a look at the brainbeyin.
11
26000
2000
Şimdi beyne bir göz atalım.
00:43
MostÇoğu people, when they first look at a freshtaze humaninsan brainbeyin,
12
28000
3000
Çoğu kimse, ilk kez taze bir insan beyni gördüğünde
00:46
they say, "It doesn't look what you're typicallytipik looking at
13
31000
3000
"Biri size bir beyin gösterdiğinde
00:49
when someonebirisi showsgösterileri you a brainbeyin."
14
34000
2000
gördüğünüz şeye benzemiyor." der.
00:51
TypicallyGenellikle, what you're looking at is a fixedsabit brainbeyin. It's graygri.
15
36000
3000
Genellikle, gördüğünüz şey fikse edilmiş bir beyindir. Gri renktedir.
00:54
And this outerdış layertabaka, this is the vasculaturedamarlara,
16
39000
2000
Bu dış tabaka, insan beyninin etrafındaki,
00:56
whichhangi is incredibleinanılmaz, around a humaninsan brainbeyin.
17
41000
2000
olağanüstü damar sistemidir.
00:58
This is the bloodkan vesselsgemiler.
18
43000
2000
Bunlar kan damarlarıdır.
01:00
20 percentyüzde of the oxygenoksijen
19
45000
3000
Akciğerlerinizden gelen oksijenin
01:03
cominggelecek from your lungsakciğerler,
20
48000
2000
yüzde 20'si,
01:05
20 percentyüzde of the bloodkan pumpedpompalı from your heartkalp,
21
50000
2000
kalbinizden pompalanan kanın yüzde 20'si,
01:07
is servicinghizmet this one organorgan.
22
52000
2000
yalnızca bu organa gitmektedir.
01:09
That's basicallytemel olarak, if you holdambar two fistsyumruk togetherbirlikte,
23
54000
2000
İki yumruğunuzu yan yana koyarsanız,
01:11
it's just slightlyhafifçe largerdaha büyük than the two fistsyumruk.
24
56000
2000
iki yumruğunuzdan biraz daha büyüktür.
01:13
ScientistsBilim adamları, sortçeşit of at the endson of the 20thinci centuryyüzyıl,
25
58000
3000
Bilimadamları, 20. yüzyılın sonlarında
01:16
learnedbilgili that they could trackiz bloodkan flowakış
26
61000
2000
girişimsel olmayan yöntemlerle kan akışını takip ederek
01:18
to mapharita non-invasivelynon-invaziv
27
63000
3000
insan beyninin neresinde aktivite olduğunu
01:21
where activityaktivite was going on in the humaninsan brainbeyin.
28
66000
3000
haritalamanın mümkün olduğunu keşfettiler.
01:24
So for exampleörnek, they can see in the back partBölüm of the brainbeyin,
29
69000
3000
Örneğin beynin arka tarafındaki aktiviteyi görebiliyorlar --
01:27
whichhangi is just turningdöndürme around there.
30
72000
2000
ekranda görmek üzere olduğunuz alan.
01:29
There's the cerebellumbeyincik; that's keepingkoruma you uprightdik right now.
31
74000
2000
İşte beyincik; şu anda sizi dik tutuyor.
01:31
It's keepingkoruma me standingayakta. It's involvedilgili in coordinatedkoordine movementhareket.
32
76000
3000
Benim ayakta durmamı sağlıyor. Hareket koordinasyonunda görev alır.
01:34
On the sideyan here, this is temporalgeçici cortexkorteks.
33
79000
3000
Burada, yan tarafta, işte temporal korteks.
01:37
This is the areaalan where primarybirincil auditoryişitsel processingişleme --
34
82000
3000
Bu alanda birincil işitsel işlemler --
01:40
so you're hearingişitme my wordskelimeler,
35
85000
2000
yani söylediklerimi duyuyorsunuz,
01:42
you're sendinggönderme it up into higherdaha yüksek languagedil processingişleme centersmerkezleri.
36
87000
2000
yüksek dil işlem merkezine gönderiyorsunuz.
01:44
TowardsDoğru the frontön of the brainbeyin
37
89000
2000
Beynin ön tarafına doğru
01:46
is the placeyer in whichhangi all of the more complexkarmaşık thought, decisionkarar makingyapma --
38
91000
3000
daha karmaşık düşüncelerin, karar verme işleminin gerçekleştiği --
01:49
it's the last to matureOlgun in lategeç adulthoodyetişkinlik.
39
94000
4000
erişkinlik döneminin sonlarında, en son olgunlaşandır.
01:53
This is where all your decision-makingkarar verme processessüreçler are going on.
40
98000
3000
Burası tüm karar verme süreçlerinizin gerçekleştiği yerdir.
01:56
It's the placeyer where you're decidingkarar right now
41
101000
2000
Tam şu anda, büyük ihtimalle akşam yemeğinde biftek
01:58
you probablymuhtemelen aren'tdeğil going to ordersipariş the steakbiftek for dinnerakşam yemegi.
42
103000
3000
ısmarlamayacağınıza karar vermek için kullamakta olduğunuz bölge.
02:01
So if you take a deeperDaha derine look at the brainbeyin,
43
106000
2000
Beyne daha derinlemesine bakarsak,
02:03
one of the things, if you look at it in cross-sectionkesit,
44
108000
2000
kesite bakarsak,
02:05
what you can see
45
110000
2000
fark edeceğiniz üzere
02:07
is that you can't really see a wholebütün lot of structureyapı there.
46
112000
3000
burada pek fazla yapı görülemiyor.
02:10
But there's actuallyaslında a lot of structureyapı there.
47
115000
2000
Ancak aslında çok fazla yapı mevcut.
02:12
It's cellshücreler and it's wiresteller all wiredtelli togetherbirlikte.
48
117000
2000
Tüm hücreleri ve tüm kabloları birbirine bağlanmış durumdadır.
02:14
So about a hundredyüz yearsyıl agoönce,
49
119000
2000
Yaklaşık yüz yıl kadar önce bilimadamları,
02:16
some scientistsBilim adamları inventedicat edildi a stainleke that would stainleke cellshücreler.
50
121000
2000
hücreleri boyayan bir tür boya icat ettiler.
02:18
And that's showngösterilen here in the the very lightışık bluemavi.
51
123000
3000
Burada çok açık mavi renkte görülümektedir.
02:21
You can see areasalanlar
52
126000
2000
Normal hücrelerin boyandığı
02:23
where neuronalnöronal cellhücre bodiesbedenler are beingolmak stainedlekeli.
53
128000
2000
alanları görebiliyoruz.
02:25
And what you can see is it's very non-uniformdüzgün olmayan. You see a lot more structureyapı there.
54
130000
3000
Ve ne kadar tekdüze olmadığını görebiliyoruz. Burada çok daha fazla yapı görüyoruz.
02:28
So the outerdış partBölüm of that brainbeyin
55
133000
2000
Beynin en dış bölümü
02:30
is the neocortexneokorteks.
56
135000
2000
neokortekstir.
02:32
It's one continuoussürekli processingişleme unitbirim, if you will.
57
137000
3000
Tek parça, bütünleşik bir işlem birimi diyebiliriz.
02:35
But you can alsoAyrıca see things underneathaltında there as well.
58
140000
2000
Fakat altında da bir şeyler görebiliyoruz.
02:37
And all of these blankboş areasalanlar
59
142000
2000
Tüm bu boş alanlar
02:39
are the areasalanlar in whichhangi the wiresteller are runningkoşu throughvasitasiyla.
60
144000
2000
içinden kabloların geçtiği alanlardır.
02:41
They're probablymuhtemelen lessaz cellhücre denseyoğun.
61
146000
2000
Büyük olasılıkla daha düşük hücre yoğunluğu mevcuttur.
02:43
So there's about 86 billionmilyar neuronsnöronlar in our brainbeyin.
62
148000
4000
Beynimizde 86 milyar nöron vardır.
02:47
And as you can see, they're very non-uniformlyaynı şekilde Sigara distributeddağıtılmış.
63
152000
3000
Gördüğünüz üzere tekdüze olmayan bir şekilde dağılmışlardır.
02:50
And how they're distributeddağıtılmış really contributeskatkıda bulunur
64
155000
2000
Dağılımlarının altta yatan
02:52
to theironların underlyingtemel functionfonksiyon.
65
157000
2000
fonksiyonlara bütük katkısı vardır.
02:54
And of coursekurs, as I mentionedadı geçen before,
66
159000
2000
Tabii ki, daha önce de bahsettiğim üzere,
02:56
sincedan beri we can now startbaşlama to mapharita brainbeyin functionfonksiyon,
67
161000
3000
artık beyin fonksiyonlarının haritasını çıkarmaya başlayabildiğimize göre
02:59
we can startbaşlama to tiekravat these into the individualbireysel cellshücreler.
68
164000
3000
bu fonksiyonları tek tek hücrelerle ilişkilendirebiliriz.
03:02
So let's take a deeperDaha derine look.
69
167000
2000
Şimdi biraz daha derinlemesine bakalım.
03:04
Let's look at neuronsnöronlar.
70
169000
2000
Nöronlara bakalım.
03:06
So as I mentionedadı geçen, there are 86 billionmilyar neuronsnöronlar.
71
171000
2000
Daha önce de belirttiğim üzere, 86 milyar nöron var.
03:08
There are alsoAyrıca these smallerdaha küçük cellshücreler as you'llEğer olacak see.
72
173000
2000
Aynı zamanda, göreceğiniz üzere, daha ufak hücreler de var.
03:10
These are supportdestek cellshücreler -- astrocytesastrocytes gliaglia.
73
175000
2000
Bunlar destek hücreleridir -- astrosit glia.
03:12
And the nervessinirler themselveskendilerini
74
177000
3000
Uyarıyı alanlar
03:15
are the onesolanlar who are receivingkabul inputgiriş.
75
180000
2000
sinirlerin kendileridir.
03:17
They're storingdepolanması it, they're processingişleme it.
76
182000
2000
Uyarıyı depoluyorlar, işliyorlar.
03:19
EachHer neuronnöron is connectedbağlı viaüzerinden synapsessinapsların
77
184000
4000
Her bir nöron, sinapslar aracılığıyla
03:23
to up to 10,000 other neuronsnöronlar in your brainbeyin.
78
188000
3000
10.000'e kadar nörona birden bağlı olabilmektedir.
03:26
And eachher neuronnöron itselfkendisi
79
191000
2000
Her bir nöron
03:28
is largelybüyük oranda uniquebenzersiz.
80
193000
2000
büyük ölçüde özgündür.
03:30
The uniquebenzersiz characterkarakter of bothher ikisi de individualbireysel neuronsnöronlar
81
195000
2000
Hem beyindeki bir topluluğa dahil olarak, hem de
03:32
and neuronsnöronlar withiniçinde a collectionToplamak of the brainbeyin
82
197000
2000
tek başlarına ele alındıklarına, nöronların özgün karakterleri
03:34
are driventahrik by fundamentaltemel propertiesözellikleri
83
199000
3000
altta yatan biyokimyalarının
03:37
of theironların underlyingtemel biochemistrybiokimya.
84
202000
2000
temel özellikleri tarafından şekillenir.
03:39
These are proteinsproteinler.
85
204000
2000
Bunlar proteinlerdir.
03:41
They're proteinsproteinler that are controllingkontrol things like ionİyon channelkanal movementhareket.
86
206000
3000
İyon kanal hareketleri gibi şeyleri kontrol eden proteinlerdir.
03:44
They're controllingkontrol who nervoussinir systemsistem cellshücreler partnerortak up with.
87
209000
4000
Sinir sistemi hücrelerinin ne ile ortaklaşa çalışacağını kontrol ederler.
03:48
And they're controllingkontrol
88
213000
2000
Temelde bu proteinler
03:50
basicallytemel olarak everything that the nervoussinir systemsistem has to do.
89
215000
2000
sinir sisteminin yapması gereken her şeyi kontrol ederler.
03:52
So if we zoomyakınlaştırma in to an even deeperDaha derine levelseviye,
90
217000
3000
Daha derinlere doğru inersek
03:55
all of those proteinsproteinler
91
220000
2000
bütün bu proteinler
03:57
are encodedkodlanmış by our genomesgenomları.
92
222000
2000
genomlarımız tarafından kodlanırlar.
03:59
We eachher have 23 pairsçiftleri of chromosomeskromozomlar.
93
224000
3000
Her birimizin 23 çift kromozomu var.
04:02
We get one from momanne, one from dadbaba.
94
227000
2000
Bir çifti annemizden, diğerini babamızdan alırız.
04:04
And on these chromosomeskromozomlar
95
229000
2000
Bu kromozomlarda
04:06
are roughlykabaca 25,000 genesgenler.
96
231000
2000
yaklaşık 25.000 gen var.
04:08
They're encodedkodlanmış in the DNADNA.
97
233000
2000
DNA'da kodlanmışlardır.
04:10
And the naturedoğa of a givenverilmiş cellhücre
98
235000
3000
Herhangi bir hücrenin
04:13
drivingsürme its underlyingtemel biochemistrybiokimya
99
238000
2000
temel biyokimyasını belirleyen etkenler
04:15
is dictateddikte by whichhangi of these 25,000 genesgenler
100
240000
3000
bu 25.000 genin hangilerinin
04:18
are turneddönük on
101
243000
2000
ve hangi seviyede
04:20
and at what levelseviye they're turneddönük on.
102
245000
2000
aktive olduğu ile belirlenir.
04:22
And so our projectproje
103
247000
2000
Projemizde
04:24
is seekingarayan to look at this readoutokuma,
104
249000
3000
bu sonuçlara bakarak
04:27
understandinganlayış whichhangi of these 25,000 genesgenler is turneddönük on.
105
252000
3000
25.000 genin hangilerinin aktive olduğunu anlamayı amaçlıyoruz.
04:30
So in ordersipariş to undertaketaahhüt suchböyle a projectproje,
106
255000
3000
Böyle bir proje için
04:33
we obviouslybelli ki need brainsbeyin.
107
258000
3000
doğal olarak beyinlere ihtiyacımız var.
04:36
So we sentgönderilen our lablaboratuvar technicianteknisyen out.
108
261000
3000
Biz de laboratuar teknisyenimizi yolladık.
04:39
We were seekingarayan normalnormal humaninsan brainsbeyin.
109
264000
2000
Normal insan beyni arıyoruz.
04:41
What we actuallyaslında startbaşlama with
110
266000
2000
Aslında adli tabibin
04:43
is a medicaltıbbi examiner'ssınav officeofis.
111
268000
2000
çalışma odası ile başladık.
04:45
This a placeyer where the deadölü are broughtgetirdi in.
112
270000
2000
Burası ölen insanların getirildiği yer.
04:47
We are seekingarayan normalnormal humaninsan brainsbeyin.
113
272000
2000
Normal insan beyni arıyoruz.
04:49
There's a lot of criteriakriterleri by whichhangi we're selectingSeçme these brainsbeyin.
114
274000
3000
Beyinleri seçmede kullandığımız bir çok ölçüt var.
04:52
We want to make sure
115
277000
2000
20 ila 60 yaş arası
04:54
that we have normalnormal humansinsanlar betweenarasında the agesyaşlar of 20 to 60,
116
279000
3000
doğal bir nedenden ölmüş
04:57
they diedvefat etti a somewhatbiraz naturaldoğal deathölüm
117
282000
2000
beynine hiç zarar gelmemiş
04:59
with no injuryhasar to the brainbeyin,
118
284000
2000
psikiyatrik hastalık geçmişi olmayan
05:01
no historytarih of psychiatricpsikiyatrik diseasehastalık,
119
286000
2000
hiç narkotik ilaç kullanmamış --
05:03
no drugsilaçlar on boardyazı tahtası --
120
288000
2000
-- toksikolojik tetkik yapıyoruz --
05:05
we do a toxicologyToksikoloji workuptestleri.
121
290000
2000
normal insanlar olduğundan emin olmak istiyoruz.
05:07
And we're very carefuldikkatli
122
292000
2000
Aldığımız beyinlerle
05:09
about the brainsbeyin that we do take.
123
294000
2000
çok dikkatli oluyoruz.
05:11
We're alsoAyrıca selectingSeçme for brainsbeyin
124
296000
2000
Ayrıca, ölümü takiben 24 saat içinde
05:13
in whichhangi we can get the tissuedoku,
125
298000
2000
dokuyu alabileceğimiz,
05:15
we can get consentrazı olmak to take the tissuedoku
126
300000
2000
dokuyu almak için izin alabileceğimiz
05:17
withiniçinde 24 hourssaatler of time of deathölüm.
127
302000
2000
beyinleri seçiyoruz.
05:19
Because what we're tryingçalışıyor to measureölçmek, the RNARNA --
128
304000
3000
Çünkü ölçmeye çalıştığımız şey, yani RNA
05:22
whichhangi is the readoutokuma from our genesgenler --
129
307000
2000
-- genlerimizin çıktısı --
05:24
is very labiledeğişken,
130
309000
2000
son derece kararsızdır,
05:26
and so we have to movehareket very quicklyhızlı bir şekilde.
131
311000
2000
dolayısıyla hızlı hareket etmemiz gerekiyor.
05:28
One sideyan noteNot on the collectionToplamak of brainsbeyin:
132
313000
3000
Beyinlerin toplanmasına dair ufak bir not:
05:31
because of the way that we collecttoplamak,
133
316000
2000
toplama yönetimimiz
05:33
and because we requiregerektirir consentrazı olmak,
134
318000
2000
ve rıza gerekliliği nedeniyle,
05:35
we actuallyaslında have a lot more maleerkek brainsbeyin than femalekadın brainsbeyin.
135
320000
3000
elimizde kadın beyninden çok erkek beyni mevcut.
05:38
MalesErkek are much more likelymuhtemelen to dieölmek an accidentalkaza sonucu deathölüm in the primeasal of theironların life.
136
323000
3000
Erkeklerin, hayatlarının en aktif zamanlarında bir kaza sonucu ölme ihtimalleri çok daha yüksektir.
05:41
And menerkekler are much more likelymuhtemelen
137
326000
2000
Ve erkeklerin, sevgili veya eşlerinin
05:43
to have theironların significantönemli other, spouse, give consentrazı olmak
138
328000
3000
rızalarının alınması
05:46
than the other way around.
139
331000
2000
tam tersine göre daha olasıdır.
05:48
(LaughterKahkaha)
140
333000
4000
(Kahkahalar)
05:52
So the first thing that we do at the siteyer of collectionToplamak
141
337000
2000
Beyni alacağımız yerde yaptığımız
05:54
is we collecttoplamak what's calleddenilen an MRBAY.
142
339000
2000
ilk iş MR çekmek oluyor.
05:56
This is magneticmanyetik resonancerezonans imaginggörüntüleme -- MRIMRI.
143
341000
2000
Manyetik rezonans görüntüleme -- MRG.
05:58
It's a standardstandart templateşablon by whichhangi we're going to hangasmak the restdinlenme of this dataveri.
144
343000
3000
Bu MR görüntüsü, geri kalan tüm verileri üzerine yerleştireceğimiz bir şablon görevi görüyor.
06:01
So we collecttoplamak this MRBAY.
145
346000
2000
MR çekiyoruz.
06:03
And you can think of this as our satelliteuydu viewgörünüm for our mapharita.
146
348000
2000
Bunu haritamızın bir uydu görüntüsü olarak düşünebilirsiniz.
06:05
The nextSonraki thing we do
147
350000
2000
Bir sonraki adımımız
06:07
is we collecttoplamak what's calleddenilen a diffusionyayılma tensortansör imaginggörüntüleme.
148
352000
3000
difüzyon tensör görüntülemesidir.
06:10
This mapsharitalar the largegeniş cablingkablolama in the brainbeyin.
149
355000
2000
Bu beyindeki büyük kabloların bir harıtasıdır.
06:12
And again, you can think of this
150
357000
2000
Bunu da şehirlerarası geniş yolların
06:14
as almostneredeyse mappingharitalama our interstateEyaletler arası highwayskarayolları, if you will.
151
359000
2000
haritasını çıkarmak olarak düşünebilirsiniz.
06:16
The brainbeyin is removedçıkarıldı from the skullkafatası,
152
361000
2000
Beyin kafatasından çıkarılır
06:18
and then it's sliceddilimlenmiş into one-centimeterbir santimetre slicesdilimleri.
153
363000
3000
ve bir santimetrelik dilimlere ayrılır.
06:21
And those are frozendondurulmuş solidkatı,
154
366000
2000
Bu dilimler kaskatı dondurulur
06:23
and they're shippedsevk to SeattleSeattle.
155
368000
2000
ve Seattle'a gönderilir.
06:25
And in SeattleSeattle, we take these --
156
370000
2000
Seatlle'da bu dilimleri alıp
06:27
this is a wholebütün humaninsan hemisphereyarıküre --
157
372000
2000
-- bu bütün bir insan beyninin yarısıdır (hemisfer) --
06:29
and we put them into what's basicallytemel olarak a glorifiedövmek meatet slicerDilimleyici.
158
374000
2000
bir anlamda "kaliteli bir et dilimleme makinesi"ne koyuyoruz.
06:31
There's a bladebıçak here that's going to cutkesim acrosskarşısında
159
376000
2000
Bu makinedeki bıçak, bir doku bölümünü
06:33
a sectionBölüm of the tissuedoku
160
378000
2000
boydan boya keser
06:35
and transferaktarma it to a microscopemikroskop slidekaymak.
161
380000
2000
ve bir lama aktarır.
06:37
We're going to then applyuygulamak one of those stainslekeleri to it,
162
382000
2000
Daha sonra o boyalardan birini uygulayıp
06:39
and we scantaramak it.
163
384000
2000
tarama yapacağız.
06:41
And then what we get is our first mappingharitalama.
164
386000
3000
Böylece ilk haritamızı elde etmiş oluyoruz.
06:44
So this is where expertsuzmanlar come in
165
389000
2000
Bu noktada uzmanlar devreye giriyor
06:46
and they make basictemel anatomicAnatomik assignmentsatamaları.
166
391000
2000
ve temel anatomik hatları belirliyorlar.
06:48
You could considerdüşünmek this statebelirtmek, bildirmek boundariessınırları, if you will,
167
393000
3000
Bu geniş hatları,
06:51
those prettygüzel broadgeniş outlinesanahatlar.
168
396000
2000
eyalet sınırları olarak düşünebilirsiniz.
06:53
From this, we're ableyapabilmek to then fragmentparça that brainbeyin into furtherayrıca piecesparçalar,
169
398000
4000
Bu belirlemelere göre beyni, daha ufak kriyostatlara
06:57
whichhangi then we can put on a smallerdaha küçük cryostatcryostat.
170
402000
2000
koymak üzere daha küçük parçalara ayırabiliyoruz.
06:59
And this is just showinggösterme this here --
171
404000
2000
Ekranda da gördüğünüz üzere --
07:01
this frozendondurulmuş tissuedoku, and it's beingolmak cutkesim.
172
406000
2000
donmuş bir doku kesilmekte.
07:03
This is 20 micronsmikron thinince, so this is about a babybebek hair'sBu kıl widthGenişlik.
173
408000
3000
Kesit kalınlığı 20 mikron, yani bir bebeğin saç teli kalınlığında.
07:06
And rememberhatırlamak, it's frozendondurulmuş.
174
411000
2000
Unutmayın, doku donmuş durumda.
07:08
And so you can see here,
175
413000
2000
Burada da gördüğünüz üzere
07:10
old-fashionedeski moda technologyteknoloji of the paintbrushboya fırçası beingolmak applieduygulamalı.
176
415000
2000
eski bir teknoloji olan boya fırçası tekniği uygulanıyor.
07:12
We take a microscopemikroskop slidekaymak.
177
417000
2000
Bir lam alıyoruz.
07:14
Then we very carefullydikkatlice melteritmek ontoüstüne the slidekaymak.
178
419000
3000
Çok dikkatli bir şekilde eriterek lamın üzerine koyuyoruz.
07:17
This will then go ontoüstüne a robotrobot
179
422000
2000
Daha sonra dokunun üzerinde bulunduğu lama
07:19
that's going to applyuygulamak one of those stainslekeleri to it.
180
424000
3000
bir robot aracılığıyla boya uygulanacak.
07:26
And our anatomistsanatomistler are going to go in and take a deeperDaha derine look at this.
181
431000
3000
Sonra anatomi uzmanlarımız daha detaylı inceleme yapacak.
07:29
So again this is what they can see underaltında the microscopemikroskop.
182
434000
2000
Bu da mikroskop altında gördükleri görüntüdür.
07:31
You can see collectionskoleksiyonları and configurationskonfigürasyonları
183
436000
2000
Kümeler içinde, çeşitli bölgelerde
07:33
of largegeniş and smallküçük cellshücreler
184
438000
2000
büyük ve küçük
07:35
in clusterskümeler and variousçeşitli placesyerler.
185
440000
2000
hücre toplulukları ve düzeni görüyoruz.
07:37
And from there it's routinerutin. They understandanlama where to make these assignmentsatamaları.
186
442000
2000
Bu noktadan sonrası rutin oluyor. Nereleri belirlemeleri gerektiğini biliyorlar.
07:39
And they can make basicallytemel olarak what's a referencereferans atlasAtlas.
187
444000
3000
Yani bir referans atlası oluşturabiliyorlar.
07:42
This is a more detailedDetaylı mapharita.
188
447000
2000
Bu daha detaylı bir harita oluyor.
07:44
Our scientistsBilim adamları then use this
189
449000
2000
Daha sonra bilimadamlarımız
07:46
to go back to anotherbir diğeri pieceparça of that tissuedoku
190
451000
3000
dokunun başka bir parçasına geçip
07:49
and do what's calleddenilen laserlazer scanningtarama microdissectionmikrodiseksiyon.
191
454000
2000
lazer yardımlı mikrodiseksiyon denen tekniği uyguluyorlar.
07:51
So the technicianteknisyen takes the instructionstalimatlar.
192
456000
3000
Teknisyen talimatları alır.
07:54
They scribeScribe alonguzun bir a placeyer there.
193
459000
2000
Bu şekilde işaretleme yapar.
07:56
And then the laserlazer actuallyaslında cutskeser.
194
461000
2000
Sonra da lazer, kesme işlemini gerçekleştirir.
07:58
You can see that bluemavi dotnokta there cuttingkesim. And that tissuedoku fallsdüşme off.
195
463000
3000
Orada mavi noktanın olduğu yerin kesildiğini görebilirsiniz. Kesilen doku aşağı düşer.
08:01
You can see on the microscopemikroskop slidekaymak here,
196
466000
2000
Lamın üzerinde gördüğünüz
08:03
that's what's happeningolay in realgerçek time.
197
468000
2000
gerçek zamanlıdır.
08:05
There's a containerkonteyner underneathaltında that's collectingtoplama that tissuedoku.
198
470000
3000
Kesilen doku aşağıda duran bir toplama kabına düşer.
08:08
We take that tissuedoku,
199
473000
2000
O dokuyu alıp
08:10
we purifyarındırmak the RNARNA out of it
200
475000
2000
basit bir teknik kullanarak
08:12
usingkullanma some basictemel technologyteknoloji,
201
477000
2000
içindeki RNA'yı arıtır
08:14
and then we put a florescentFloresan tagetiket on it.
202
479000
2000
ve floresan işaretleme yaparız.
08:16
We take that taggedTagged materialmalzeme
203
481000
2000
İşaretlenmiş maddeyi alır
08:18
and we put it on to something calleddenilen a microarraymikrodizi.
204
483000
3000
ve mikrodizi denen bir şeye koyarız.
08:21
Now this mayMayıs ayı look like a bunchDemet of dotsnoktalar to you,
205
486000
2000
Şimdi, size yalnızca bir sürü nokta gibi gözüküyor olabilir.
08:23
but eachher one of these individualbireysel dotsnoktalar
206
488000
2000
Fakat bu noktaların her biri
08:25
is actuallyaslında a uniquebenzersiz pieceparça of the humaninsan genomegenom
207
490000
2000
aslında cam üzerinde saptadığımız
08:27
that we spottedBenekli down on glassbardak.
208
492000
2000
özgün birer insan genomu parçasıdır.
08:29
This has roughlykabaca 60,000 elementselementler on it,
209
494000
3000
Burada yaklaşık 60.000 öğe var ve
08:32
so we repeatedlydefalarca measureölçmek variousçeşitli genesgenler
210
497000
3000
biz de, genomdaki 25.000 gen içinden
08:35
of the 25,000 genesgenler in the genomegenom.
211
500000
2000
çeşitli genleri tekrar tekrar ölçeriz.
08:37
And when we take a sampleNumune and we hybridizeMelez it to it,
212
502000
3000
Bir numune alıp hibridize ettiğimizde
08:40
we get a uniquebenzersiz fingerprintparmak izi, if you will,
213
505000
2000
numune içinde hangi genlerin aktive olduğunun
08:42
quantitativelykantitatif of what genesgenler are turneddönük on in that sampleNumune.
214
507000
3000
sayısal olarak, özgün bir parmak izini elde ederiz.
08:45
Now we do this over and over again,
215
510000
2000
Bu işlemi elimizdeki tüm beyinler
08:47
this processsüreç for any givenverilmiş brainbeyin.
216
512000
3000
için sürekli tekrarlıyoruz.
08:50
We're takingalma over a thousandbin samplesörnekler for eachher brainbeyin.
217
515000
3000
Her bir beyinden binin üzerinde numune alıyoruz.
08:53
This areaalan showngösterilen here is an areaalan calleddenilen the hippocampusbeyindeki beyaz çıkıntı.
218
518000
3000
Burada gösterilen bölgeye hipokampus deniyor.
08:56
It's involvedilgili in learningöğrenme and memorybellek.
219
521000
2000
Bu bölge öğrenme ve hafıza işlemlerinde görev alır.
08:58
And it contributeskatkıda bulunur to about 70 samplesörnekler
220
523000
3000
Ve bu bölge, topladığımız bin numunenin
09:01
of those thousandbin samplesörnekler.
221
526000
2000
yalnızca 70 kadarını oluşturur.
09:03
So eachher sampleNumune getsalır us about 50,000 dataveri pointsmakas
222
528000
4000
Her bir numune bize 50.000 veri göstergesi sağlıyor
09:07
with repeattekrar et measurementsölçümler, a thousandbin samplesörnekler.
223
532000
3000
ve tekrarlanan ölçümlerle, bin numune.
09:10
So roughlykabaca, we have 50 millionmilyon dataveri pointsmakas
224
535000
2000
Yani bir insan beyni için elimizde
09:12
for a givenverilmiş humaninsan brainbeyin.
225
537000
2000
yaklaşık 50 milyon veri göstergesi oluyor.
09:14
We'veBiz ettik donetamam right now
226
539000
2000
Şu ana kadar
09:16
two humaninsan brains-worthbeyin-değer of dataveri.
227
541000
2000
iki insan beyni değerinde veri topladık.
09:18
We'veBiz ettik put all of that togetherbirlikte
228
543000
2000
Tüm bu verileri
09:20
into one thing,
229
545000
2000
tek bir şeyde topladık
09:22
and I'll showgöstermek you what that synthesissentez looksgörünüyor like.
230
547000
2000
ve ortaya çıkan sentezin nasıl bir şey olduğunu size göstereyim.
09:24
It's basicallytemel olarak a largegeniş dataveri setset of informationbilgi
231
549000
3000
Dünyanın her yerindeki bilimadamlarına ücretsiz olarak açık
09:27
that's all freelyserbestçe availablemevcut to any scientistBilim insanı around the worldDünya.
232
552000
3000
geniş bir veri bankası.
09:30
They don't even have to logkütük in to come use this toolaraç,
233
555000
3000
Bu aracı kullanmak, veri toplamak, ilginç şeyler keşfetmek
09:33
mineMayın this dataveri, find interestingilginç things out with this.
234
558000
4000
için giriş bile yapmaları gerekmiyor.
09:37
So here'sburada the modalitiesmodaliteleri that we put togetherbirlikte.
235
562000
3000
İşte bir araya getirdiğimiz araç.
09:40
You'llYou'll startbaşlama to recognizetanımak these things from what we'vebiz ettik collectedtoplanmış before.
236
565000
3000
Önceden topladığımız şeyleri fark edeceksiniz.
09:43
Here'sİşte the MRBAY. It providessağlar the frameworkiskelet.
237
568000
2000
İşte MR görüntüsü. Ana iskeleti oluşturuyor.
09:45
There's an operatorOperatör sideyan on the right that allowsverir you to turndönüş,
238
570000
3000
Sağ tarafta görüntüyü döndürmenize,
09:48
it allowsverir you to zoomyakınlaştırma in,
239
573000
2000
yakınlaştırmanıza, her bir yapıyı tek tek seçmenize
09:50
it allowsverir you to highlightvurgulamak individualbireysel structuresyapıları.
240
575000
3000
olanak sağlayan bir kontrol paneli var.
09:53
But mostçoğu importantlyönemlisi,
241
578000
2000
Fakat en önemlisi şimdi,
09:55
we're now mappingharitalama into this anatomicAnatomik frameworkiskelet,
242
580000
3000
insanların genlerin nerede aktive olduğunu anlayabilecekleri
09:58
whichhangi is a commonortak frameworkiskelet for people to understandanlama where genesgenler are turneddönük on.
243
583000
3000
genel bir iskelet olan bu anatomik iskeleti haritalandırıyoruz.
10:01
So the redkırmızı levelsseviyeleri
244
586000
2000
Kırmızı renkler bir genin
10:03
are where a genegen is turneddönük on to a great degreederece.
245
588000
2000
yüksek seviyede aktive olduğu yerler.
10:05
GreenYeşil is the sortçeşit of coolgüzel areasalanlar where it's not turneddönük on.
246
590000
3000
Yeşik renkler ise o genin aktive olmadığı soğuk bölgeler.
10:08
And eachher genegen givesverir us a fingerprintparmak izi.
247
593000
2000
Her bir gen bize bir parmak izi veriyor.
10:10
And rememberhatırlamak that we'vebiz ettik assayeddenetlesinler all the 25,000 genesgenler in the genomegenom
248
595000
5000
Unutmayalım ki genomdaki 25.000 genin her birini çözümledik
10:15
and have all of that dataveri availablemevcut.
249
600000
4000
ve tüm veriler elimizde mevcut.
10:19
So what can scientistsBilim adamları learnöğrenmek about this dataveri?
250
604000
2000
Peki, bilimadamları bu veriler hakkında ne öğrenebilir?
10:21
We're just startingbaşlangıç to look at this dataveri ourselveskendimizi.
251
606000
3000
Biz de bu verilere yeni yeni bakmaya başladık.
10:24
There's some basictemel things that you would want to understandanlama.
252
609000
3000
Anlamak isteyebileceğiniz iki ana şey var.
10:27
Two great examplesörnekler are drugsilaçlar,
253
612000
2000
İki önemli örnek ilaçlardır;
10:29
ProzacProzac and WellbutrinWellbutrin.
254
614000
2000
Prozac ve Wellbutrin.
10:31
These are commonlyçoğunlukla prescribedreçete antidepressantsantidepresanlar.
255
616000
3000
Bunlar sıklıkla reçetelendirilen antidepresanlardır.
10:34
Now rememberhatırlamak, we're assayingraporlaması genesgenler.
256
619000
2000
Şimdi, genleri çözümlediğimizi unutmayalım.
10:36
GenesGenler sendgöndermek the instructionstalimatlar to make proteinsproteinler.
257
621000
3000
Genler, protein yapımı için gerekli talimatları gönderirler.
10:39
ProteinsProteinler are targetshedefler for drugsilaçlar.
258
624000
2000
Proteinler ilaçlar için birer hedeftir.
10:41
So drugsilaçlar bindbağlamak to proteinsproteinler
259
626000
2000
Yani ilaçlar proteinlere bağlanır
10:43
and eitherya turndönüş them off, etcvb.
260
628000
2000
ve de-aktive ederler, vs.
10:45
So if you want to understandanlama the actionaksiyon of drugsilaçlar,
261
630000
2000
Bu durumda, ilaçların etkilerini anlamak istiyorsanız
10:47
you want to understandanlama how they're actingoyunculuk in the waysyolları you want them to,
262
632000
3000
neden istediğiniz şekilde etki gösterdiklerini
10:50
and alsoAyrıca in the waysyolları you don't want them to.
263
635000
2000
ve göstermediklerini anlamanız gerekir.
10:52
In the sideyan effectEfekt profileprofil, etcvb.,
264
637000
2000
Yan etki profili gibi şeylerde
10:54
you want to see where those genesgenler are turneddönük on.
265
639000
2000
o genlerin nerede aktive olduğunu görmek istersiniz.
10:56
And for the first time, we can actuallyaslında do that.
266
641000
2000
İlk defa bunu gerçekten yapabiliyoruz.
10:58
We can do that in multipleçoklu individualsbireyler that we'vebiz ettik assayeddenetlesinler too.
267
643000
3000
Bunu çözümlediğimiz diğer bireylerde de yapabiliyoruz.
11:01
So now we can look throughoutboyunca the brainbeyin.
268
646000
3000
Yani şimdi, beynin içine bütünüyle bakabiliyoruz.
11:04
We can see this uniquebenzersiz fingerprintparmak izi.
269
649000
2000
Bu özgün parmak izini görebiliyoruz.
11:06
And we get confirmationOnayla.
270
651000
2000
Ve doğrulayabiliyoruz.
11:08
We get confirmationOnayla that, indeedaslında, the genegen is turneddönük on --
271
653000
3000
Gerçekten genin aktive olduğunu doğrulayabiliyoruz --
11:11
for something like ProzacProzac,
272
656000
2000
Prozac gibi bir ilaç için,
11:13
in serotonergicserotonerjik structuresyapıları, things that are alreadyzaten knownbilinen be affectedetkilenmiş --
273
658000
3000
serotonerjik yapılarda, etkilendiğini bildiğimiz şeyler için --
11:16
but we alsoAyrıca get to see the wholebütün thing.
274
661000
2000
ama aynı zamanda herşeyi bütünüyle görebiliyoruz.
11:18
We alsoAyrıca get to see areasalanlar that no one has ever lookedbaktı at before,
275
663000
2000
Daha önce kimsenin bakmamış olduğu bölgelere bakabiliyor
11:20
and we see these genesgenler turneddönük on there.
276
665000
2000
ve o bölgelerde bu genlerin aktive olduğunu görebiliyoruz.
11:22
It's as interestingilginç a sideyan effectEfekt as it could be.
277
667000
3000
Bir yan etkinin olabildiği kadar ilginç.
11:25
One other thing you can do with suchböyle a thing
278
670000
2000
Bununla yapabileceğimiz bir başka şey ise,
11:27
is you can, because it's a patternmodel matchingeşleştirme exerciseegzersiz,
279
672000
3000
bu bir patern eşleştirme egzersizi olduğundan,
11:30
because there's uniquebenzersiz fingerprintparmak izi,
280
675000
2000
özgün bir parmak izi olduğundan,
11:32
we can actuallyaslında scantaramak throughvasitasiyla the entiretüm genomegenom
281
677000
2000
tüm genomu tarayıp
11:34
and find other proteinsproteinler
282
679000
2000
benzer parmak izi olan
11:36
that showgöstermek a similarbenzer fingerprintparmak izi.
283
681000
2000
başka proteinler de bulabiliyoruz.
11:38
So if you're in drugilaç discoverykeşif, for exampleörnek,
284
683000
3000
Örneğin ilaç keşfi üzerine çalışıyorsanız,
11:41
you can go throughvasitasiyla
285
686000
2000
belki de tüm genom listesine bakıp
11:43
an entiretüm listinglisteleme of what the genomegenom has on offerteklif
286
688000
2000
daha iyi ilaç hedefleri bulabilir
11:45
to find perhapsbelki better drugilaç targetshedefler and optimizeoptimize.
287
690000
4000
ve kullanımı optimize edebilirsiniz.
11:49
MostÇoğu of you are probablymuhtemelen familiartanıdık
288
694000
2000
Birçoğunuz, tüm genomu kapsayan
11:51
with genome-wideGenom-wide associationbirleşme studiesçalışmalar
289
696000
2000
ilişkilendirme çalışmaları sayesinde ortaya çıkan
11:53
in the formform of people coveringkapsayan in the newshaber
290
698000
3000
"Bilimadamları A'yı etkileyen gen
11:56
sayingsöz, "ScientistsBilim adamları have recentlyson günlerde discoveredkeşfedilen the genegen or genesgenler
291
701000
3000
veya genleri keşfetti."
11:59
whichhangi affectetkilemek X."
292
704000
2000
gibi haberleri görüyorsunuzdur.
12:01
And so these kindsçeşit of studiesçalışmalar
293
706000
2000
Bu tür çalışmalar bilimadamları tarafından
12:03
are routinelyrutin publishedyayınlanan by scientistsBilim adamları
294
708000
2000
düzenli olarak yayınlanıyor
12:05
and they're great. They analyzeçözümlemek largegeniş populationspopülasyonları.
295
710000
2000
ve bu yayınlar çok güzel. Geniş popülasyonları analiz ediyorlar.
12:07
They look at theironların entiretüm genomesgenomları,
296
712000
2000
Tüm genomlarına bakıyor
12:09
and they try to find hotSıcak spotsnoktalar of activityaktivite
297
714000
2000
ve nedensel olarak genlere bağlı
12:11
that are linkedbağlantılı causallynedensel to genesgenler.
298
716000
3000
yoğun aktivite bölgeleri bulmaya çalışıyorlar.
12:14
But what you get out of suchböyle an exerciseegzersiz
299
719000
2000
Ancak bu tür bir çalışmadan elde edebileceğiniz şey
12:16
is simplybasitçe a listliste of genesgenler.
300
721000
2000
en basitinden bir gen listesidir.
12:18
It tellsanlatır you the what, but it doesn't tell you the where.
301
723000
3000
Size ne olduğunu gösteriyor ama nerede olduğunu göstermiyor.
12:21
And so it's very importantönemli for those researchersaraştırmacılar
302
726000
3000
Dolayısıyla bu kaynağı yaratmış olmamız
12:24
that we'vebiz ettik createdoluşturulan this resourcekaynak.
303
729000
2000
o araştırmacılar için çok önemli.
12:26
Now they can come in
304
731000
2000
Şimdi bu kaynak ile
12:28
and they can startbaşlama to get cluesİpuçları about activityaktivite.
305
733000
2000
aktiviteler hakkında bir fikir edinmeye başlayabilirler.
12:30
They can startbaşlama to look at commonortak pathwaysyolları --
306
735000
2000
Daha önce bakamadıkları yollarla
12:32
other things that they simplybasitçe haven'tyok been ableyapabilmek to do before.
307
737000
3000
genel yolaklara bakabilirler.
12:36
So I think this audienceseyirci in particularbelirli
308
741000
3000
Sanırım özellikle buradaki dinleyiciler
12:39
can understandanlama the importanceönem of individualitybireysellik.
309
744000
3000
bireyselliğin önemini anlayabilirler.
12:42
And I think everyher humaninsan,
310
747000
2000
Bence her insan --
12:44
we all have differentfarklı geneticgenetik backgroundsarka,
311
749000
4000
hepimizin genetik alt yapısı farklı,
12:48
we all have livedyaşamış separateayrı liveshayatları.
312
753000
2000
hepimizin ayrı hayatları var.
12:50
But the factgerçek is
313
755000
2000
Aslında genomlarımız
12:52
our genomesgenomları are greaterbüyük than 99 percentyüzde similarbenzer.
314
757000
3000
yüzde 99'dan daha yüksek bir oranda benzerdir.
12:55
We're similarbenzer at the geneticgenetik levelseviye.
315
760000
3000
Genetik seviyede benzeriz.
12:58
And what we're findingbulgu
316
763000
2000
Şimdi ise,
13:00
is actuallyaslında, even at the brainbeyin biochemicalbiyokimyasal levelseviye,
317
765000
2000
aslında beyin biyokimyası seviyesinde bile
13:02
we are quiteoldukça similarbenzer.
318
767000
2000
çok benzer olduğumuzu anlıyoruz.
13:04
And so this showsgösterileri it's not 99 percentyüzde,
319
769000
2000
Bu da yüzde 99 olmadığını,
13:06
but it's roughlykabaca 90 percentyüzde correspondenceYazışma
320
771000
2000
mantıklı bir ayırma noktası ile
13:08
at a reasonablemakul cutoffkesme,
321
773000
3000
yaklaşık yüzde 90 olduğunu
13:11
so everything in the cloudbulut is roughlykabaca correlatedkorelasyon.
322
776000
2000
ve bulutun içindeki herşeyin yaklaşık olarak ilişkili olduğunu gösteriyor.
13:13
And then we find some outliersaykırı,
323
778000
2000
Sonra, bulutun ötesinde bulunan
13:15
some things that lieYalan beyondötesinde the cloudbulut.
324
780000
3000
bazı aykırı değerler buluyoruz.
13:18
And those genesgenler are interestingilginç,
325
783000
2000
Bu genler ilginç
13:20
but they're very subtleince.
326
785000
2000
ama hemen göze çarpmıyorlar.
13:22
So I think it's an importantönemli messagemesaj
327
787000
3000
Bugün öğrendiğimiz
13:25
to take home todaybugün
328
790000
2000
önemli bir şey varsa o da
13:27
that even thoughgerçi we celebratekutlamak all of our differencesfarklar,
329
792000
3000
her ne kadar tüm farklılıklarımızı vurguluyor olsak da
13:30
we are quiteoldukça similarbenzer
330
795000
2000
aslında beyin seviyesinde bile
13:32
even at the brainbeyin levelseviye.
331
797000
2000
çok benzer olduğumuzdur.
13:34
Now what do those differencesfarklar look like?
332
799000
2000
Şimdi, bu farklılıklar neye benziyor?
13:36
This is an exampleörnek of a studyders çalışma that we did
333
801000
2000
Bu, o farklılıkların tam olarak ne olduğunu
13:38
to followtakip et up and see what exactlykesinlikle those differencesfarklar were --
334
803000
2000
görebilmek ve takip edebilmek için yaptığımız bir çalışmadan bir örnek --
13:40
and they're quiteoldukça subtleince.
335
805000
2000
ve o farklılıklar hiç göze batmayacak türde.
13:42
These are things where genesgenler are turneddönük on in an individualbireysel cellhücre typetip.
336
807000
4000
Bunlar, belli bir hücre tipinde genlerin aktive olduğu yerler.
13:46
These are two genesgenler that we foundbulunan as good examplesörnekler.
337
811000
3000
Bulduğumuz bu iki genin iyi birer örnek olduğunu düşünüyoruz.
13:49
One is calleddenilen RELNRELN -- it's involvedilgili in earlyerken developmentalgelişimsel cuesİpuçları.
338
814000
3000
Birine RELN adı veriliyor -- erken gelişim tetiklerinde görev alıyor.
13:52
DISCDİSK1 is a genegen
339
817000
2000
DISC1 şizofrenide silinen
13:54
that's deletedsilindi in schizophreniaşizofreni.
340
819000
2000
bir gendir.
13:56
These aren'tdeğil schizophrenicşizofrenik individualsbireyler,
341
821000
2000
Bunlar şizofrenik bireyler değiller
13:58
but they do showgöstermek some populationnüfus variationvaryasyon.
342
823000
3000
ama bazı popülasyon varyasonları sergiliyorlar.
14:01
And so what you're looking at here
343
826000
2000
Burada donör bir ve donör dörtte gördüğünüz,
14:03
in donordonör one and donordonör fourdört,
344
828000
2000
diğer ikisine göre istisna olan şey,
14:05
whichhangi are the exceptionsözel durumlar to the other two,
345
830000
2000
genlerin çok spesifik
14:07
that genesgenler are beingolmak turneddönük on
346
832000
2000
bir hücre altkümesinde
14:09
in a very specificözel subsetalt küme of cellshücreler.
347
834000
2000
aktive olduğudur.
14:11
It's this darkkaranlık purplemor precipitateçökelti withiniçinde the cellhücre
348
836000
3000
Burada bize genin aktive olduğunu gösteren şey,
14:14
that's tellingsöylüyorum us a genegen is turneddönük on there.
349
839000
3000
hücrenin içindeki koyu mor çökeltidir.
14:17
WhetherOlup olmadığı or not that's duenedeniyle
350
842000
2000
Bunun, bireyin genetik alt yapısına veya deneyimlerine
14:19
to an individual'sbireyin geneticgenetik backgroundarka fon or theironların experiencesdeneyimler,
351
844000
2000
bağlı olup olmadığını
14:21
we don't know.
352
846000
2000
bilmiyoruz.
14:23
Those kindsçeşit of studiesçalışmalar requiregerektirir much largerdaha büyük populationspopülasyonları.
353
848000
3000
O tür çalışmalar çok daha geniş popülasyon gerektirir.
14:28
So I'm going to leaveayrılmak you with a finalnihai noteNot
354
853000
2000
Size beynin karmaşıklığına
14:30
about the complexitykarmaşa of the brainbeyin
355
855000
3000
ve daha ne kadar çok yolumuz olduğuna ilişkin
14:33
and how much more we have to go.
356
858000
2000
bir not ile veda etmek istiyorum.
14:35
I think these resourceskaynaklar are incrediblyinanılmaz valuabledeğerli.
357
860000
2000
Bence bu kaynaklar olağanüstü derece değerli.
14:37
They give researchersaraştırmacılar a handlesap
358
862000
2000
Araştırmacılara nereye
14:39
on where to go.
359
864000
2000
yöneleceklerini gösteriyor.
14:41
But we only lookedbaktı at a handfulavuç of individualsbireyler at this pointpuan.
360
866000
3000
Fakat şu ana kadar incelediğimiz bireylerin sayısı çok az.
14:44
We're certainlykesinlikle going to be looking at more.
361
869000
2000
Kesinlikle daha fazla bireyi inceliyor olacağız.
14:46
I'll just closekapat by sayingsöz
362
871000
2000
Araçların elimizin altında olduğunu
14:48
that the toolsaraçlar are there,
363
873000
2000
ve bu konunun gerçekten keşfedilmemiş, ortaya çıkarılmamış
14:50
and this is trulygerçekten an unexploredkeşfedilmemiş, undiscoveredkeşfedilmemiş continentkıta.
364
875000
4000
bir kıta olduğunu söylerek konuşmamı sonlandırmak istiyorum.
14:54
This is the newyeni frontiersınır, if you will.
365
879000
4000
Bu yeni sınırlarımızdır.
14:58
And so for those who are undauntedyılmayan,
366
883000
2000
Beynin karmaşıklığı karşısında mütevazı
15:00
but humbledboyunları bükük by the complexitykarmaşa of the brainbeyin,
367
885000
2000
ama cesur olanlar;
15:02
the futuregelecek awaitsbekliyor.
368
887000
2000
gelecek sizleri bekliyor.
15:04
Thanksteşekkürler.
369
889000
2000
Teşekkürler.
15:06
(ApplauseAlkış)
370
891000
9000
(Alkışlar)
Translated by Can Aslan
Reviewed by Sancak Gülgen

▲Back to top

ABOUT THE SPEAKER
Allan Jones - Brain scientist
As CEO of the Allen Institute for Brain Science, Allan Jones leads an ambitious project to build an open, online, interactive atlas of the human brain.

Why you should listen

The Allen Institute for Brain Science -- based in Seattle, kickstarted by Microsoft co-founder Paul Allen -- has a mission to fuel discoveries about the human brain by building tools the entire scientific community can use. As CEO, one of Allan Jones' first projects was to lead the drive to create a comprehensive atlas of the brain of a mouse. Flash forward to April 2011, when the Allen Institute announced the first milestone in its online interactive atlas of the human brain, showing the activity of the more than 20,000 human genes it contains. It's based on a composite of 15 brains, since every human brain is unique.

Think of the Allen Human Brain Atlas as a high-tech bridge between brain anatomy and genetics. Using this atlas, scientists will be able to determine where in the brain genes that encode specific proteins are active, including proteins that are affected by medication. Or researchers could zoom in on brain structures thought to be altered in mental disorders such as schizophrenia to find their molecular footprint. The atlas may provide clues to memory, attention, motor coordination, hunger, and perhaps emotions such as happiness or anxiety.

He says: "Understanding how our genes are used in our brains will help scientists and the medical community better understand and discover new treatments for the full spectrum of brain diseases and disorders."

Watch Dr. Jones' latest TEDx talk on the map of the brain, from TEDxCaltech 2013 >>

More profile about the speaker
Allan Jones | Speaker | TED.com