I admit that I'm a little bit nervous here because I'm going to say some radical things, about how we should think about cancer differently, to an audience that contains a lot of people who know a lot more about cancer than I do. But I will also contest that I'm not as nervous as I should be because I'm pretty sure I'm right about this. (Laughter) And that this, in fact, will be the way that we treat cancer in the future. In order to talk about cancer, I'm going to actually have to -- let me get the big slide here. First, I'm going to try to give you a different perspective of genomics. I want to put it in perspective of the bigger picture of all the other things that are going on -- and then talk about something you haven't heard so much about, which is proteomics. Having explained those, that will set up for what I think will be a different idea about how to go about treating cancer.
Elismerem, hogy kicsit izgulok, mert egy nagyobb közönség előtt, mely nálam sokkal többet tud a rákról, radikális dolgokat fogok mondani arról, hogyan gondolkozzunk másképp a rákról. Azt is elárulom ám, hogy annyira azonban mégsem izgulok, mint amennyire indokolt, mert erősen hiszem, hogy igazam van. (Nevetés) Hiszem, hogy ez lesz a jövőben a rákkezelés módja. Hogy a rákról beszéljek, el kell magamnak intézni egy nagy diát. Először megpróbálom új nézőpontból bemutatni a genomikát. Tágabb perspektívába akarom helyezni, olyan képbe, melyen a folyamatot egészében lehet látni -- majd áttérek valami olyannak a tárgyalására, amiről még nem hallottak, s ez a proteomika. Ezek elmagyarázása megvilágítja majd, hogy mit értek a rák kezelésének új megközelítése alatt.
So let me start with genomics. It is the hot topic. It is the place where we're learning the most. This is the great frontier. But it has its limitations. And in particular, you've probably all heard the analogy that the genome is like the blueprint of your body, and if that were only true, it would be great, but it's not. It's like the parts list of your body. It doesn't say how things are connected, what causes what and so on. So if I can make an analogy, let's say that you were trying to tell the difference between a good restaurant, a healthy restaurant and a sick restaurant, and all you had was the list of ingredients that they had in their larder. So it might be that, if you went to a French restaurant and you looked through it and you found they only had margarine and they didn't have butter, you could say, "Ah, I see what's wrong with them. I can make them healthy." And there probably are special cases of that. You could certainly tell the difference between a Chinese restaurant and a French restaurant by what they had in a larder. So the list of ingredients does tell you something, and sometimes it tells you something that's wrong. If they have tons of salt, you might guess they're using too much salt, or something like that. But it's limited, because really to know if it's a healthy restaurant, you need to taste the food, you need to know what goes on in the kitchen, you need the product of all of those ingredients.
Kezdjük tehát a genomikával. Ez egy mindig aktuális téma. Sokat tanulhatunk e téren. Nagy mérföldkő Megvannak a korlátai. Kiváltképpen, valószínűleg mindannyian ismerik azt a hasonlatot, hogy a génállomány olyan, mint a szervezetünk kapcsolási rajza. Bárcsak igaz lenne! De nem az. Olyan, mint egy lista a tested alkotórészeiről. Nem árul el semmit arról, hogy miképp kapcsolódnak, mi mit okoz, stb. Ha tehát egy hasonlattal akarunk élni, mondjuk azt, hogy valaki el akarná magyarázni, mi a különbség egy jó, egészséges étterem, és egy egészségtelen étterem között, s mindehhez csupán az ételeik hozzávalóinak listája állna rendelkezésére, mely az élelmiszerraktárukban volt. Lehet, hogy elmegy valaki egy francia étterembe, körülnéz, és látja, hogy csak margarint használnak, vajat egyáltalán nem, mondhatja, hogy "Á, látom már, mi nem stimmel itt. Majd én rávezetem őket arra, mi az egészséges." Minden bizonnyal vannak különleges esetek is. Biztos meg tudná mondani, mi a különbség egy kínai és egy francia étterem között az alapján, hogy mi van a raktárukon. A hozzávalók listája tehát mindenképpen mond valamit, olykor azt, hogy valami gond van. Ha többtonnányi só szerepel a listán, kitalálhatjuk, hogy túl sok sót használnak, vagy ilyesmi De korlátozott, mert ahhoz, hogy valóban meg tudjuk, hogy egészséges-e az étterem, ahhoz meg kell kóstolnunk az ételeit, és betekintést kell nyernünk a konyhájába, szükségünk van az összetevőkből készült ételre.
So if I look at a person and I look at a person's genome, it's the same thing. The part of the genome that we can read is the list of ingredients. And so indeed, there are times when we can find ingredients that [are] bad. Cystic fibrosis is an example of a disease where you just have a bad ingredient and you have a disease, and we can actually make a direct correspondence between the ingredient and the disease. But most things, you really have to know what's going on in the kitchen, because, mostly, sick people used to be healthy people -- they have the same genome. So the genome really tells you much more about predisposition. So what you can tell is you can tell the difference between an Asian person and a European person by looking at their ingredients list. But you really for the most part can't tell the difference between a healthy person and a sick person -- except in some of these special cases.
Ha tehát veszünk egy tetszőleges személyt, és megvizsgáljuk a génállományát, ugyanez történik. A génállománynak az a része, melyben olvashatunk, a hozzávalók listája. És valóban, van olyan, hogy találunk olyan összetevőket, melyek rosszak. A rángógörcs egy olyan megbetegedés, melynél mindössze egy rossz hozzávalónk van, s máris megbetegszünk, s ezt közvetlen kapcsolatba hozhatjuk ezzel az összetevővel. Legelsősorban azzal kell tisztában lennünk, hogy mi folyik a konyhában, mert, a beteg emberek jobbára egészséges emberek voltak valaha -- a génállományuk nem változott. A génállomány tehát valóban sokkal többet árul el a hajlamról. Amit kapásból el tudunk mondani az összetevőik listájára pillantva az az, hogy mi a különbség egy ázsiai és egy európai között. Az esetek nagy részében azonban nem igazán tudjuk megállapítani mi a különbség egy egészséges és egy beteg ember között - néhány különös eset kivételével.
So why all the big deal about genetics? Well first of all, it's because we can read it, which is fantastic. It is very useful in certain circumstances. It's also the great theoretical triumph of biology. It's the one theory that the biologists ever really got right. It's fundamental to Darwin and Mendel and so on. And so it's the one thing where they predicted a theoretical construct. So Mendel had this idea of a gene as an abstract thing, and Darwin built a whole theory that depended on them existing, and then Watson and Crick actually looked and found one. So this happens in physics all the time. You predict a black hole, and you look out the telescope and there it is, just like you said. But it rarely happens in biology. So this great triumph -- it's so good, there's almost a religious experience in biology. And Darwinian evolution is really the core theory.
Akkor meg mi ez a felhajtás a genetika körül? Nos, először is az, hogy tudunk benne olvasni, ami fantasztikus. Bizonyos körülmények között ez nagyon hasznos. Másfelől a biológia nagy elméleti vívmánya. Az a bizonyos elmélet, melyben a biológusok tényleg nem tévedtek. Darwin, Mendel, és a többiek mind erre építkeztek. Ez az, ahol elméleti építményt jósoltak meg. Mendelnek volt ez az elképzelése: a gén mint absztrakció. Darwin pedig egy egész elméletet épített, melynek alapja a gének létezése volt. Azután Watson és Crick addig keresgélt, míg találtak egyet. A fizikában mindig ez történik. Az ember előrejelzel egy fekete lyukat, majd belenéz a távcsőbe, és ott van, ahogy mondta. A biológia területén azonban ez ritkán fordul elő. Ez a nagy diadal tehát - olyan jó - a biológiában már-már vallásos élménynek számít. A darwini evolúció igazán magvas elmélet.
So the other reason it's been very popular is because we can measure it, it's digital. And in fact, thanks to Kary Mullis, you can basically measure your genome in your kitchen with a few extra ingredients. So for instance, by measuring the genome, we've learned a lot about how we're related to other kinds of animals by the closeness of our genome, or how we're related to each other -- the family tree, or the tree of life. There's a huge amount of information about the genetics just by comparing the genetic similarity. Now of course, in medical application, that is very useful because it's the same kind of information that the doctor gets from your family medical history -- except probably, your genome knows much more about your medical history than you do. And so by reading the genome, we can find out much more about your family than you probably know. And so we can discover things that probably you could have found by looking at enough of your relatives, but they may be surprising. I did the 23andMe thing and was very surprised to discover that I am fat and bald. (Laughter) But sometimes you can learn much more useful things about that.
Népszerűségének másik oka pedig az, hogy mérhető, azaz digitális. Valójában, Kary Mullis-nak köszönhetően a génállományunkat ténylegesen meg tudjuk mérni otthon a konyhában néhány kiegészítő kellék segítségével. A génállomány mérése során például 2 génállomány hasonlósága révén sokat megtudtunk arról, hogy milyen viszonyban állunk más állatokkal, vagy hogyan áll 2 személy rokonságban -- mutatja ezt a családfa, vagy az élet fája. A genetika, ha csak a genetikai hasonlóságok vizsgálását vesszük, hatalmas információs anyaggal rendelkezik. Na most természetes, hogy az orvosi alkalmazása nagyon hasznos, hiszen ez ugyanaz a fajta információ, melyet az orvos a családi kórtörténetből ismer meg -- talán egyedül maga a génállomány tud jóval többet a kórtörténetünkről mint mi magunk. A genetikai vizsgálat során tehát sokkal többet tudhatunk meg valakinek a családjáról, mint amennyit maga az illető tud. Olyan dolgokat fedezhetünk fel, melyekre az illető is rájöhet, ha alaposan megvizsgálja a rokonait, de ezek meglepőek lehetnek Én elvégeztem a 23andMe genetikai vizsgálatát, és nagyon meglepődtem, hogy kövér és kopasz vagyok. (Nevetés) Néha azonban ennél sokkal hasznosabb dolgokat is megtudhatunk.
But mostly what you need to know, to find out if you're sick, is not your predispositions, but it's actually what's going on in your body right now. So to do that, what you really need to do, you need to look at the things that the genes are producing and what's happening after the genetics, and that's what proteomics is about. Just like genome mixes the study of all the genes, proteomics is the study of all the proteins. And the proteins are all of the little things in your body that are signaling between the cells -- actually, the machines that are operating -- that's where the action is. Basically, a human body is a conversation going on, both within the cells and between the cells, and they're telling each other to grow and to die, and when you're sick, something's gone wrong with that conversation. And so the trick is -- unfortunately, we don't have an easy way to measure these like we can measure the genome.
Legtöbbször nem is azt kell megtudnunk, mire van hajlamunk, ahhoz, hogy megtudjuk, hogy betegek vagyunk-e, hanem azt, hogy éppen mi történik a szervezetünkben. Ehhez pedig arra van szükségünk, hogy megnézzük, a gének mit csinálnak, és mi történik a genetika után. Erről szól a proteomika. Csak úgy mint ahogy a génállomány a gének összességének tudománya, a proteomika a fehérjék összességének tudománya. A fehérjék pedig a szervezetben felgyülemlett apró dolgok sokasága, melyek a sejtek között jeleznek egymásnak -- voltaképpen üzemben álló gépek. Itt zajlanak a dolgok. Az emberi szervezet alapvetően kommunikáció, mind a sejteken belül, mind pedig a sejtek között, egymást növekedésre biztató és halálra ítélő sejtek párbeszéde. Amikor pedig betegek vagyunk, valami zavar van a kommunikációban. Az a helyzet, hogy -- sajnos ehhez nem áll rendelkezésünkre olyasmi, amivel meg tudnánk mérni, mint ahogy a génállomány esetében.
So the problem is that measuring -- if you try to measure all the proteins, it's a very elaborate process. It requires hundreds of steps, and it takes a long, long time. And it matters how much of the protein it is. It could be very significant that a protein changed by 10 percent, so it's not a nice digital thing like DNA. And basically our problem is somebody's in the middle of this very long stage, they pause for just a moment, and they leave something in an enzyme for a second, and all of a sudden all the measurements from then on don't work. And so then people get very inconsistent results when they do it this way. People have tried very hard to do this. I tried this a couple of times and looked at this problem and gave up on it.
A probléma a méréssel tehát az, hogy -- ha megpróbáljuk megmérni az összes fehérjét, az egy nagyon aprólékos folyamat. Száz meg száz lépésből áll, és hosszú-hosszú időbe telik. Számít, hogy mennyi fehérjéről van szó. Előfordulhat az a figyelemreméltó eset, hogy a fehérje 10 %-al változik, nem egy szép digitális dologról van szó, mint a DNS esetében. A problémánk pedig az, hogy jön valaki, épp ennek a roppant hosszú folyamatnak a közepén megáll egy pillanatra, egy másodpercre otthagy valamit egy enzimben, és onnantól kezdve az összes mérési eredmény hirtelen érvénytelen. Ezáltal pedig nagyon egyenetlenek a mérési eredmények. Noha vannak, akik nagyon erőlködtek ezen. Én többször megpróbáltam, foglalkoztam a problémával, de feladtam.
I kept getting this call from this oncologist named David Agus. And Applied Minds gets a lot of calls from people who want help with their problems, and I didn't think this was a very likely one to call back, so I kept on giving him to the delay list. And then one day, I get a call from John Doerr, Bill Berkman and Al Gore on the same day saying return David Agus's phone call. (Laughter) So I was like, "Okay. This guy's at least resourceful." (Laughter) So we started talking, and he said, "I really need a better way to measure proteins." I'm like, "Looked at that. Been there. Not going to be easy." He's like, "No, no. I really need it. I mean, I see patients dying every day because we don't know what's going on inside of them. We have to have a window into this." And he took me through specific examples of when he really needed it. And I realized, wow, this would really make a big difference, if we could do it, and so I said, "Well, let's look at it."
Sorra kaptam a telefonhívásokat David Agus onkológustól. Az Applied Minds-hoz is sok hívás fut be olyanoktól, akik segítséget szeretnének, s úgy voltam vele, hogy illene visszahívni, de aztán folyton halogattam. Egy napon felhívott John Doerr, Bill Berkman és Al Gore. Mind ugyanazon a napon, hogy emlékeztessenek arra, hogy vissza kell hívnom David Agus-t. (Nevetés) "Rendben"- gondoltam - "Ezeknek a fickóknak legalább van kapcsolati tőkéjük." (Nevetés) Akkor aztán elkezdtünk beszélgetni, és azt mondta, "komolyan szükségem van egy jobb módszerre, amivel a fehérjék mérhetők." Erre én: "Foglalkoztam a kérdéssel." Nem lesz egyszerű." Mire ő: "De, de nekem erre nagyon nagy szükségem van. Tudod, naponta látom, ahogy halnak a betegeim, mert nem tudjuk, mi zajlik bennük. Rá kell erre néznünk valahogyan." Konkrét példákat hozott fel arra, milyen esetekben lett volna rá tényleg szüksége. Akkor rájöttem, hogy valóban sokat számítana, ha meg tudnánk ezt csinálni. Azt mondtam neki: "Rendben. Próbáljuk meg."
Applied Minds has enough play money that we can go and just work on something without getting anybody's funding or permission or anything. So we started playing around with this. And as we did it, we realized this was the basic problem -- that taking the sip of coffee -- that there were humans doing this complicated process and that what really needed to be done was to automate this process like an assembly line and build robots that would measure proteomics. And so we did that, and working with David, we made a little company called Applied Proteomics eventually, which makes this robotic assembly line, which, in a very consistent way, measures the protein. And I'll show you what that protein measurement looks like.
Az Applied Mindsnak van elég pénze ahhoz, hogy belekezdjünk valamibe anélkül, hogy külső támogatást, engedélyt vagy bármit kellene kérnünk. Elkezdtünk tehát ezzel szórakozni. Ahogy ezt csináltuk, rájöttünk, hogy mi okozta az elsődleges problémát -- röviden összefoglalva, emberek végezték az összetett folyamatokat és ami igazán fontos volt az az, hogy ezeket a folyamatokat futószalagként automatizáljuk és olyan robotokat építsünk, amik majd a fehérjéket mérik. Megcsináltuk. A Daviddal való együtműködésünk során végül létrehoztunk egy kis céget, az Applied Proteomics-t, mely a robotizált futószalagot állítja össze, és a fehérjéket nagyon következetesen méri. Megmutatom, hogyan történik a fehérje bemérése.
Basically, what we do is we take a drop of blood out of a patient, and we sort out the proteins in the drop of blood according to how much they weigh, how slippery they are, and we arrange them in an image. And so we can look at literally hundreds of thousands of features at once out of that drop of blood. And we can take a different one tomorrow, and you will see your proteins tomorrow will be different -- they'll be different after you eat or after you sleep. They really tell us what's going on there. And so this picture, which looks like a big smudge to you, is actually the thing that got me really thrilled about this and made me feel like we were on the right track. So if I zoom into that picture, I can just show you what it means. We sort out the proteins -- from left to right is the weight of the fragments that we're getting, and from top to bottom is how slippery they are. So we're zooming in here just to show you a little bit of it. And so each of these lines represents some signal that we're getting out of a piece of a protein. And you can see how the lines occur in these little groups of bump, bump, bump, bump, bump. And that's because we're measuring the weight so precisely that -- carbon comes in different isotopes, so if it has an extra neutron on it, we actually measure it as a different chemical. So we're actually measuring each isotope as a different one.
Alapjában véve azt tesszük, hogy veszünk egy csepp vért a pácienstől, és ebben az egy csepp vérben elkülönítjük a fehérjéket aszerint, hogy mi a súlyuk, milyen mértékben csúsznak, és egy ábrában rendezzük őket. Ilyen módon szó szerint százas illetve ezres nagyságrendben figyelhetjük őket meg abban az egyetlen csepp vérben. Holnap vehetünk egy másik csepp vért, és látni fogjuk, hogy a fehérjék holnap más értéket mutatnak-- Más étkezések után és más alvást követően. Komolyan sokat árulnak el arról, hogy mi zajlik a szervezetben. Ez a kép, ami úgy nézhet ki, mint egy nagy folt, az, ami igazán megborzongatott, és azt az érzést keltette bennem, hogy jó úton járunk. Ha felnagyítom ezt a képet, jobban meg tudom mutatni, miről is van szó. Balról jobbra látjuk a fehérjéket megkapjuk a részletek súlyértékét. Fentről lefelé pedig azt látjuk, hogy mennyire csúszósak. Ezt most csak azért nagyítjuk tehát fel, hogy jobban látszódjon. Minden sor valami olyan tulajdonságot képvisel, amit a fehérje részecskéből ismertünk meg. Látható, hogy miképp alakulnak ki a sorok ezekből a csoportokból, bum, bum, bum, bum, bum. Mert olyan pontosan mérjük a súlyt, hogy -- a különböző izotópok szénnel vegyülnek, ha tehát van egy neutron pluszban, akkor különböző kemikáliaként végezzük a mérést. Tehát minden izotópot különböző izotópként.
And so that gives you an idea of how exquisitely sensitive this is. So seeing this picture is sort of like getting to be Galileo and looking at the stars and looking through the telescope for the first time, and suddenly you say, "Wow, it's way more complicated than we thought it was." But we can see that stuff out there and actually see features of it. So this is the signature out of which we're trying to get patterns. So what we do with this is, for example, we can look at two patients, one that responded to a drug and one that didn't respond to a drug, and ask, "What's going on differently inside of them?" And so we can make these measurements precisely enough that we can overlay two patients and look at the differences.
El tudják képzelni, hogy milyen kitűnő érzékenységű.. Az ábra láttán kicsit olyanok leszünk, mint Galileo, aki a csillagokat vizsgálta, és amikor először nézett a távcsövébe. Először kiálthatunk fel: "Ó, ez összetettebb, mint gondoltuk" De láthatjuk ezt a dolgot odakinn, látjuk, hogy milyenek. Ez az aláírás, amiből meg akarunk tudni valamit. Mihez kezdünk ezzel? Megvizsgálhatunk például két különböző beteget, az egyik válaszol a gyógyszerre, a másik nem, és feltesszük a kérdést: "Mi történik bennük másképp?" Ezeket a méréseket tehát éppen elég alkalommal tudjuk megtenni ahhoz, hogy megvizsgáljunk két beteget, hogy kiderüljenek a különbözőségek.
So here we have Alice in green and Bob in red. We overlay them. This is actual data. And you can see, mostly it overlaps and it's yellow, but there's some things that just Alice has and some things that just Bob has. And if we find a pattern of things of the responders to the drug, we see that in the blood, they have the condition that allows them to respond to this drug. We might not even know what this protein is, but we can see it's a marker for the response to the disease. So this already, I think, is tremendously useful in all kinds of medicine. But I think this is actually just the beginning of how we're going to treat cancer. So let me move to cancer.
Itt látjuk, Alice-t zölddel jelöltük, Bobot pirossal. Összevetjük őket. Ez a jelenlegi eredmény. Láthatjuk, hogy nagy az átfedés, ezt jelöli a sárga szín, de van valami, ami csak Alicenél figyelhető meg, és valami, ami csak Bobnál. Ha megtaláljuk, mi az, ami alapján a gyógyszerre reagálnak, akkor látjuk, mi az a körülmény a vérükben. ami alapján reagálnak a gyógyszerre. Lehet, hogy nem is tudjuk mi az a fehérje, de látjuk a betegségre való válaszreakció jelzőjét. Ez, úgy gondolom, már önmagában nagyon hasznos dolog minden gyógyászat esetében. Azt hiszem azonban, hogy ez csak a kezdete annak, hogy hogyan fogjuk kezelni a rákot. Térjünk tehát át a rákra.
The thing about cancer -- when I got into this, I really knew nothing about it, but working with David Agus, I started watching how cancer was actually being treated and went to operations where it was being cut out. And as I looked at it, to me it didn't make sense how we were approaching cancer, and in order to make sense of it, I had to learn where did this come from. We're treating cancer almost like it's an infectious disease. We're treating it as something that got inside of you that we have to kill. So this is the great paradigm. This is another case where a theoretical paradigm in biology really worked -- was the germ theory of disease. So what doctors are mostly trained to do is diagnose -- that is, put you into a category and apply a scientifically proven treatment for that diagnosis -- and that works great for infectious diseases. So if we put you in the category of you've got syphilis, we can give you penicillin. We know that that works. If you've got malaria, we give you quinine or some derivative of it. And so that's the basic thing doctors are trained to do, and it's miraculous in the case of infectious disease -- how well it works. And many people in this audience probably wouldn't be alive if doctors didn't do this.
A rákkal az a helyzet, hogy amikor elkezdtem a témával foglalkozni, nem tudtam róla semmit, de David Agussal dolgozva elkezdett érdekelni a rákgyógyítás, és elkezdtem műtétekre járni, ahol a rákot kioperálták. Úgy láttam, ennek a fajta megközelítésnek nincsen értelme. Azért, hogy értelme legyen, meg kellett tudnom, hogy hogy alakult ki. Majdhogynem úgy kezeljük a rákot, mintha ragályos betegség lenne. Úgy kezeljük, mintha kivülről került volna a szervezetbe, és meg kellene semmisítenünk. Ez tehát a nagyszerű paradigma. Egy másik eset, melyben a biológia egy elméleti paradigmája tényleg működött -- a betegségek bacilus-elmélete volt. Az orvosokat jobbára arra képesítik, hogy diagnosztizáljanak -- vagyis arra, hogy beskatulyázzanak -- és tudományosan bevált módszerekkel kezeljék ezt a diagnózist. Ez márpedig remekül működik a fertőző betegségek esetén. Amennyiben tehát besoroljuk egy kategóriába, például, hogy szifiliszes, adhatunk penicillint. Tudjuk, hogy az hatni fog. Ha maláriás a beteg, kinint adunk, vagy annak valamilyen származékát. Ez a legalapvetőbb dolog, amire az orvosokat felkészítették. Fertőző betegségek esetén csodálatosan működik -- de még mennyire jól! A közönség tagjai közül sokan valószínűleg nem is lennének közöttünk, ha az orvosok ezt nem tennék.
But now let's apply that to systems diseases like cancer. The problem is that, in cancer, there isn't something else that's inside of you. It's you; you're broken. That conversation inside of you got mixed up in some way. So how do we diagnose that conversation? Well, right now what we do is we divide it by part of the body -- you know, where did it appear? -- and we put you in different categories according to the part of the body. And then we do a clinical trial for a drug for lung cancer and one for prostate cancer and one for breast cancer, and we treat these as if they're separate diseases and that this way of dividing them had something to do with what actually went wrong. And of course, it really doesn't have that much to do with what went wrong because cancer is a failure of the system. And in fact, I think we're even wrong when we talk about cancer as a thing. I think this is the big mistake. I think cancer should not be a noun. We should talk about cancering as something we do, not something we have. And so those tumors, those are symptoms of cancer. And so your body is probably cancering all the time, but there are lots of systems in your body that keep it under control.
De térjünk át a rendszer megbetegedésekre, mint amilyen a rák. A rák esetében az a gond, hogy a rákon kívül más nem került be a szervezetbe. Csak a beteg van, megtörve. A szervezetben zajló beszélgetés valahogy összezavarodott. Hogyan diagnosztizáljuk ezt a beszélgetést? Először is testrészekhez rendelten vizsgáljuk-- vagyis, hogy mely testrészben jelentkezett -- És e testrészek szerint kategorizáljuk be a betegeket. Azután elvégezzük a tüdőrák, a prosztata-rák és a mellrák gyógyszerének klinikai kísérletét oly módon, hogy különálló betegségekként kezeljük őket. Azonban ha ily módon különböző betegségekként kezeljük őket, úgy teszünk, mintha a megkülönböztetésükkel közelebb jutnánk ahhoz, hogy mi a gond. De természetesen nem sok köze van ahhoz, hogy mi a gond. Hiszen a rák a rendszer meghibásodása. Valójában azt gondolom, hogy a rákról egyáltalán nem is mint "dologról" kell beszélnünk. Azt hiszem, ebben áll a nagy tévedésünk. Úgy vélem, a rákot nem is főnévként kell használni. "Rákolásról" kellene beszélnünk, olyasvalamiről, amit mi csinálunk, nem olyasvalamiről, amit birtoklunk. A tumorok tehát a rák tünetei. A szervezetünk valószínűleg minduntalan "rákol." De több rendszer is van a szervezetben, amely kordában tartja a rákot.
And so to give you an idea of an analogy of what I mean by thinking of cancering as a verb, imagine we didn't know anything about plumbing, and the way that we talked about it, we'd come home and we'd find a leak in our kitchen and we'd say, "Oh, my house has water." We might divide it -- the plumber would say, "Well, where's the water?" "Well, it's in the kitchen." "Oh, you must have kitchen water." That's kind of the level at which it is. "Kitchen water, well, first of all, we'll go in there and we'll mop out a lot of it. And then we know that if we sprinkle Drano around the kitchen, that helps. Whereas living room water, it's better to do tar on the roof." And it sounds silly, but that's basically what we do. And I'm not saying you shouldn't mop up your water if you have cancer, but I'm saying that's not really the problem; that's the symptom of the problem.
Mondok egy hasonlatot csak hogy érthetőbb legyen, miről beszélek, amikor azt mondom, hogy a rák ige. Képzeljék el, hogy nem tudunk semmit a vízvezetékszerelésről, és pont, amikor szóba jön a témája, és hazaérünk, látjuk, hogy beázott a konyha, és felkiáltunk, hogy "Jaj, víz van a házban." Két nézőpontot különböztethetünk itt meg: a vízvezeték szerelő azt kérdezné: "hol a víz?" "A konyhában". "Jó, akkor a konyhában szerelünk". Szóval ilyen szinten vagyunk. "Hogy szerelünk?" Igen, először feltöröljük a nagyját. Tudhatjuk, hogy ha Draino-t permetezünk a lefolyóba, az is segít. Ezzel szemben ha a nagyszoba ázik be, jobban járunk, ha a tetőfedéssel kezdjük. Ostobán hangzik, de alapjában véve ilyenek vagyunk. Nem azt mondom, hogy mulasszunk el valamit, ami itt a víz feltörlése, ha rákról van szó. Azt mondom, hogy nem ez a valódi probléma; ez a problémának a tünete.
What we really need to get at is the process that's going on, and that's happening at the level of the proteonomic actions, happening at the level of why is your body not healing itself in the way that it normally does? Because normally, your body is dealing with this problem all the time. So your house is dealing with leaks all the time, but it's fixing them. It's draining them out and so on. So what we need is to have a causative model of what's actually going on, and proteomics actually gives us the ability to build a model like that.
Ahova valóban el kell jutnunk, az a folyamat megértése, az pedig a proteomikus mozzanatok szintjén történik, az a kérdés, hogy miért nem indulnak be a szervezet öngyógyító folyamatai, ahogy máskor? Hiszen máskor a szervezetünk folyton megküzd ezzel a problémával. A lakásban mindig vannak szivárgások. De nem mindig okoznak gondot. A víz elfolyik a lefolyóba, stb. Amire tehát szükségünk van, az egy okozati modell, mely mutatja, hogy mi is történik. A proteomika pedig lehetőséget biztosít számunkra egy ilyen modell felállításához.
David got me invited to give a talk at National Cancer Institute and Anna Barker was there. And so I gave this talk and said, "Why don't you guys do this?" And Anna said, "Because nobody within cancer would look at it this way. But what we're going to do, is we're going to create a program for people outside the field of cancer to get together with doctors who really know about cancer and work out different programs of research." So David and I applied to this program and created a consortium at USC where we've got some of the best oncologists in the world and some of the best biologists in the world, from Cold Spring Harbor, Stanford, Austin -- I won't even go through and name all the places -- to have a research project that will last for five years where we're really going to try to build a model of cancer like this. We're doing it in mice first, and we will kill a lot of mice in the process of doing this, but they will die for a good cause. And we will actually try to get to the point where we have a predictive model where we can understand, when cancer happens, what's actually happening in there and which treatment will treat that cancer.
David meghívott, hogy tartsak egy előadást a Nemzeti Rák Intézetben, és ott volt Anna Barker is. Amikor az előadás során ott tartottam, hogy "Gyerekek, Miért nem vágtok ebbe bele?", Anna azt mondta: "Mert senki nem fogja a rákot így megközelíteni. Viszont azt megtehetjük, hogy létrehozunk egy programot a rákkutatás területén kívül állók számára, hogy üljenek össze olyan orvosokkal, akik tényleg szakértők a témában és dolgozzanak ki különböző programterveket." Így aztán Daviddal jelentkeztünk erre a programra, és konzorciumot hoztunk létre az USC-n, ahol a Cold Spring Harbortól a Stanfordon át Austinig - most nem sorolom fel a többi neves helyet, a világ legjobb onkológusai dolgoznak, a világ néhány legjobb biológusáról nem is beszélve, hogy öt évre szóló kutatási projektet dolgozzunk ki, és megkíséreljük a ráknak egy ilyen modelljét felépíteni. Először egerekkel kísérletezünk. Sok egeret meg fogunk ölni a kísérlet során, de haláluk nemes célt fog szolgálni. Kilátásba helyezzük, hogy a jövőben lesz egy olyan modell, ami alapján megérthetjük, mikor lesz az ember rákos, mi is történik ilyenkor valójában, és mely kezelés szükséges.
So let me just end with giving you a little picture of what I think cancer treatment will be like in the future. So I think eventually, once we have one of these models for people, which we'll get eventually -- I mean, our group won't get all the way there -- but eventually we'll have a very good computer model -- sort of like a global climate model for weather. It has lots of different information about what's the process going on in this proteomic conversation on many different scales. And so we will simulate in that model for your particular cancer -- and this also will be for ALS, or any kind of system neurodegenerative diseases, things like that -- we will simulate specifically you, not just a generic person, but what's actually going on inside you.
Hadd fejezzem be egy képpel, ami bemutatja, hogy véleményem szerint hogy fog kinézni a jövő rákkezelése. Végül azt gondolom, ha birtokában lennénk egy ilyen modellnek, ami meg fog történni -- vagyis a csapatunk talán nem jut el odáig -- de lesz egy nagyon jó számítógépes modellünk -- valami olyasmi, mint a globális klíma-modell az időjárás terén. Különféle információval szolgál több különböző skálán arról, milyen folyamatok zajlanak a proteomikus párbeszédkor. Mi pedig szimulálni fogunk ezzel a modellel az adott rákfajtájának megfelelően -- az ALS-re és bármelyik idegrendszeri megbetegedésre is alkalmazható lesz. Ily módon, személyre szabottan szimuláljuk majd, nem egy általánosságban vett személyre, hanem azt nézzük, hogy az adott egyénben épp mi zajlik.
And in that simulation, what we could do is design for you specifically a sequence of treatments, and it might be very gentle treatments, very small amounts of drugs. It might be things like, don't eat that day, or give them a little chemotherapy, maybe a little radiation. Of course, we'll do surgery sometimes and so on. But design a program of treatments specifically for you and help your body guide back to health -- guide your body back to health. Because your body will do most of the work of fixing it if we just sort of prop it up in the ways that are wrong. We put it in the equivalent of splints. And so your body basically has lots and lots of mechanisms for fixing cancer, and we just have to prop those up in the right way and get them to do the job.
Amit meg tudtunk tenni a szimuláció során, az az, hogy személyre szabott kezelések sorát tervezzük meg, és ezek lehetnek nagyon finom kezelések, nagyon kis adag gyógyszerekkel. Előfordulhat, hogy azt mondjuk valakinek, hogy kimondottan aznap ne egyen ezt vagy azt, vagy adunk egy kis kemoterápiát, talán egy kis sugárkezelést. Persze fogunk műtéteket is végrehajtani néha stb. A lényeg, hogy személyre szabottan tervezzük a kezelési programot, és segítjük a szervezetet visszaterelni az egészség útjára, visszatereljük az egészség felé. Hiszen a szervezet úgyis meg fogja tenni a maga gyógyító folyamatát, elég lesz, ha rossz irányból bombázzuk. Olyankor sínbe tesszük - képletesen. A szervezetnek tulajdonképpen nagyon nagyon sok mechanizmus van a rák gyógyítására, nekünk csak a jó irányba kell ezeket terelnünk, onnantól már tudják, mi a dolguk.
And so I believe that this will be the way that cancer will be treated in the future. It's going to require a lot of work, a lot of research. There will be many teams like our team that work on this. But I think eventually, we will design for everybody a custom treatment for cancer.
Azt gondolom, ez lesz a jövő rákgyógyítási módja. Fáradságos munkát fog igényelni, sok kutatást. Sok, a miénkhez hasonló csapat fog alakulni, hogy ezen dolgozzon. De végül is azt gondolom, hogy mindenki számára elérhető lesz egy személyre szóló rákkezelési program.
So thank you very much.
Köszönöm szépen.
(Applause)
(Taps)