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.
Ik geef toe dat ik een beetje nerveus ben want ik ga nogal wat radicale dingen zeggen over hoe we anders moeten gaan denken over kanker. En dat voor een publiek met mensen die er veel meer over weten dan ik. Maar anderzijds ben ik ook weer niet te zenuwachtig want ik ben er nogal zeker van dat ik gelijk heb. (Gelach) Dat dit, in feite, de toekomstige behandelingswijze van kanker zal worden. Om over kanker te praten toon ik jullie even deze grote dia. Ik wil jullie eerst wat vertellen over de plaats van genomica in het grotere geheel van alle andere dingen waar we mee bezig zijn - en daarna over iets waar je niet nog zo veel over hebt gehoord, proteomica. Dat zal tot een ander idee leiden over kankerbehandeling.
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.
Eerst genomica. Het is het hot topic, waarover we nu het meest bijleren. Een grensverleggend onderwerp, maar met beperkingen. Je kent waarschijnlijk de analogie van het genoom als een blauwdruk van je lichaam. Zou geweldig zijn, maar het klopt niet. Bekijk het eerder als de onderdelenlijst van je lichaam. Het zegt niet hoe de dingen met elkaar in verband staan. Wat veroorzaakt wat en enzovoort. Ik geef een andere analogie: je moet onderscheid kunnen maken tussen een goed restaurant en een slecht restaurant, op basis van de lijst van ingrediënten die ze in hun voorraadkast hebben. Als het een Frans restaurant was en je vond dat ze alleen margarine hadden en geen boter, zou je zeggen: "Ah, ik zie wat hier mis is. Dat breng ik wel in orde." Waarschijnlijk is dat soms het geval. Zo kan je zeker het verschil vinden tussen een Chinees en een Frans restaurant door wat ze in hun voorraadkast hebben. Dus de lijst van ingrediënten vertelt je iets, en soms vertelt ze je dat er iets fout is. Als er tonnen zout op de lijst staan, kan je wel raden dat ze te veel zout gebruiken. Maar het heeft zijn beperkingen. Als je echt wil weten of het een goed restaurant is, dan moet je het voedsel proeven, je moet weten wat er in de keuken gebeurt en de samenstelling van alle ingrediënten kennen.
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.
Dat is hetzelfde als ik iemands genoom bestudeer. Het deel van het genoom dat we kunnen lezen, is de lijst van ingrediënten. Zo kunnen we soms slechte ingrediënten vinden. Cystische fibrose is zo'n ziekte waar je gewoon met een slecht ingrediënt zit. Hier kunnen we een direct verband leggen tussen ingrediënt en ziekte. Maar meestal moet je weten wat er in de keuken gebeurt, omdat zieken meestal eerst gezond waren - met hetzelfde genoom. Het genoom vertelt je veel over aanleg. Je kan het verschil zien tussen een Aziaat en een Europeaan door te kijken naar hun ingrediëntenlijst. Maar dat geldt niet voor het verschil tussen een gezonde en een zieke - behalve in sommige speciale gevallen.
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.
Dus waarom al dat gedoe over genetica? Nou allereerst, omdat we het kunnen lezen, wat al fantastisch is. Zeer nuttig in bepaalde omstandigheden. Het is ook dé grote theoretische zege van de biologie. Het is met die theorie dat biologen de nagel op de kop sloegen. Ze is van fundamenteel belang voor Darwin, Mendel en zo verder. Het is die ene keer waar ze een theoretische constructie voorspelden. Mendel zag het gen als een abstract ding. Darwin bouwde een hele theorie die berustte op hun bestaan. Dan kwamen Watson en Crick die naar het gen zochten en het ook vonden. In de fysica gaat dat altijd zo. Je voorspelt een zwart gat, je kijkt door je telescoop, en daar is het, net zoals je zei. Maar dat gebeurt zelden in de biologie. Dit is een grote triomf - zo goed - bijna een religieuze ervaring in de biologie. Want darwinistische evolutie is echt dé basistheorie van de biologie.
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.
De andere reden waarom genetica zo populair is, haar meetbaarheid, ze is digitaal. In feite kan je, dankzij Kary Mullis, met een paar extra ingrediënten in principe je genoom meten in je keuken. Door die metingen zijn we veel te weten gekomen over onze verwantschap met andere diersoorten. Door de gelijkenissen in ons genoom weten we hoe verwant we aan elkaar zijn - de stamboom of de boom van het leven. Er zijn nu hopen genetische informatie uit die gelijkenissen af te leiden. Dat is voor medische toepassingen natuurlijk zeer nuttig, want het is dezelfde soort informatie die de arts krijgt uit je familie-anamnese - behalve waarschijnlijk dat je genoom veel meer over je medische geschiedenis weet dan jij. Door het lezen van het genoom kunnen we veel meer over je familie te weten komen dan jij waarschijnlijk weet. Zo kunnen we dingen ontdekken die je waarschijnlijk ook zou kunnen hebben gevonden door maar genoeg naar je eigen familieleden te kijken, maar toch kunnen ze verrassend zijn. Ik deed dat 23andMe ding en was zeer verbaasd te ontdekken dat ik dik en kaal ben. (Gelach) Maar soms kan je er veel nuttiger dingen mee leren.
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.
Maar meestal zijn het niet je predisposities die je moet kennen om erachter te komen of je ziek bent, maar wel wat er op dit moment aan de gang is in je lichaam. Daarvoor moet je kijken naar de dingen die de genen produceren en naar wat er na de genetica gebeurt. Dat is waar proteomica over gaat. Net als genomica gaat over de studie van alle genen, gaat proteomica over de studie van alle eiwitten. Eiwitten zijn al die kleine dingen in je lichaam die instaan voor de communicatie tussen de cellen - je werkend machinepark, zeg maar. Dat is waar de actie is. Kortom, een menselijk lichaam is een gesprek dat gaande is, zowel binnen de cellen als tussen de cellen, en ze vertellen elkaar wanneer ze moeten groeien of sterven. Als je ziek bent, is er iets misgegaan met die conversatie. Daar gaat het om. Maar helaas hebben we nog geen makkelijke manier om dat te meten zoals we het genoom kunnen meten.
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.
Het probleem is dat meten. Als je probeert om alle eiwitten te meten, is dat een heel bewerkelijk proces. Het vereist honderden stappen, het duurt lang, zeer lang. Het is belangrijk te weten hoeveel van dat eiwit er is. Het kan zeer significant zijn als een eiwit voor 10 procent veranderde. Het is dus niet zo'n mooi digitaal iets als DNA. In feite ligt ons probleem ergens in het midden van deze zeer lange etappe, ze stoppen even, ze laten even iets achter in een enzym, en plots werken alle metingen vanaf dan niet meer. Zo kom je dan tot erg inconsistente resultaten. We deden ons best. Ik probeerde het een paar keer en gaf het op. Maar
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."
ik bleef deze oproep van een oncoloog, ene David Agus, ontvangen. Nu kreeg Applied Minds veel oproepen van mensen die hulp willen voor hun problemen, en ik vond het niet nodig om speciaal deze man terug te bellen, dus zette ik hem op mijn 'niet zo dringend'-lijst. En dan krijg ik op een dag een telefoontje van John Doerr, Bill Berkman en Al Gore - allemaal op dezelfde dag - om mij aan te manen David Agus' telefoontje te beantwoorden. (Gelach) Dus ik had zoiets van "Ok. Deze kerel heeft tenminste een sterk netwerk." (Gelach) Hij zei: "Ik moet echt een betere manier vinden om eiwitten te meten." En ik van: "Heb ik al gedaan. Zal niet makkelijk zijn." En hij weer: "Nee, nee. Ik heb dat echt nodig. Ik bedoel dat ik elke dag mensen zie sterven omdat we niet weten wat er in hun lichaam omgaat. We hebben een venster nodig om naar binnen te kijken. " Hij toonde me specifieke voorbeelden van wanneer hij dat echt nodig had. Ik besefte dat het echt een groot verschil zou maken als we dat konden doen. Ik zei: "Nou, laten we eens kijken."
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.
Applied Minds heeft genoeg extra geld dat we eraan kunnen beginnen te werken zonder dat we iemands financiering, toestemming of wat dan ook nodig hebben. Dus begonnen we ermee. Al doende beseften we dat dit het fundamentele probleem was - dat er mensen met dit ingewikkeld proces bezig waren maar wat echt nodig was, was dit proces te automatiseren als een assemblagelijn en robots te bouwen die de proteomica zouden meten. En dat deden we. Samen met David richtten we een bedrijfje op dat uiteindelijk Applied Proteomics zou heten, waar deze gerobotiseerde assemblagelijn wordt gemaakt, die op een zeer consistente manier eiwitten meet. Ik zal je laten zien hoe zo'n eiwitmeting eruit ziet.
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.
Wat we doen is een druppel bloed van een patiënt nemen. Dan gaan we van de eiwitten in die druppel bloed uitzoeken wat hun massa is, hoe glibberig ze zijn, en dat grafisch voorstellen. Zo kunnen we letterlijk in één keer naar honderdduizenden data kijken uitgaande van die ene druppel bloed. De dag erna kunnen we weer een druppel nemen, en je zult zien dat je eiwitten anders zullen zijn - dat ze anders zijn nadat je gegeten of geslapen hebt. Ze vertellen echt wat er daar aan de hand is. Deze foto, die eruit ziet als een grote vlek, is eigenlijk het ding waar ik echt enthousiast over werd en die me liet voelen dat we op het juiste spoor zaten. Als ik inzoom op die foto kan ik jullie laten zien wat ze betekent. We sorteren de eiwitten - van links naar rechts staat de massa van de fragmenten die we krijgen. En van boven naar beneden geeft ze aan hoe glibberig ze zijn. Even inzoomen toont het beter. Elk van deze lijntjes vertegenwoordigt een signaal dat we het krijgen van een stukje eiwit. Je kunt zien hoe de lijnen ontstaan in deze kleine groepen van bom, bom, bom, bom, bom, bom. Dat is omdat we de massa zo precies meten. Koolstof komt voor in verschillende isotopen. Als het koolstofatoom een extra neutron heeft, zien we dat als een andere chemische stof. Dus geeft elk isotoop een ander meetresultaat.
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.
Dat geeft je een idee hoe uiterst gevoelig dit is. Het kijken naar deze foto is zoals Galileo voor de eerste keer door een telescoop naar de sterren keek en opeens zeg je: "Wow, het is veel ingewikkelder dan we dachten." Maar we kunnen die dingen daar zien en de kenmerken ervan registreren. Dit is het signaal waaruit we proberen om patronen af te leiden. We kunnen bijvoorbeeld naar twee patiënten kijken, een die reageerde op een geneesmiddel en een die daar niet op reageerde, en vragen: "Waarin verschillen die van binnen?" We kunnen deze metingen nauwkeurig genoeg maken dat we de patronen van de twee patiënten op elkaar kunnen leggen en naar de verschillen kunnen kijken.
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.
Hier hebben we Alice in het groen en Bob in het rood. We doen een overlay. Dit zijn de feitelijke gegevens. Je kunt zien dat het meeste overlapt en geel kleurt, maar er zijn enkele dingen die alleen Alice heeft en sommige dingen die alleen bij Bob voorkomen. Als we dan zo'n patroon vinden bij degenen die op het geneesmiddel reageren, dan zien we dat ze in hun bloed de aanleg hebben om te reageren op dit medicijn. Misschien zouden we niet eens weten wat dit eiwit is, maar we kunnen het zien als een merkteken voor de reactie op de ziekte. Dit alleen al, denk ik, is enorm nuttig voor allerlei vormen van geneeskunde. Maar ik denk dat dit nog maar het begin is van hoe we kanker gaan behandelen. Laten we kanker eens onder de loep nemen.
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.
Het probleem met kanker - toen ik ermee begon, wist ik er niets van, maar door te werken met David Agus, begon ik erop te letten hoe kanker eigenlijk werd behandeld. Ik woonde operaties bij waar het gezwel werd weggesneden. Door ernaar te kijken, werd het me duidelijk dat we kanker niet op een zinvolle manier aanpakten. Om het te begrijpen, moest ik leren hoe dat komt. We behandelen kanker bijna alsof het een besmettelijke ziekte is. We behandelen het alsof we iets dat je binnenkreeg, moeten doden. Dit is het grote paradigma. Dit is een ander voorbeeld waar een theoretisch paradigma in de biologie echt werkte - de theorie over ziektekiemen. Waarin artsen het meest opgeleid zijn, is diagnose - dat wil zeggen je in een categorie onderbrengen - en dan een wetenschappelijk bewezen behandeling voor die diagnose op je toepassen. Dat werkt prima voor infectieziekten. Als we je in de categorie van syfilis plaatsen, kunnen we je penicilline geven. We weten dat dat werkt. Als je malaria hebt, krijg je kinine of een afgeleide ervan. Dat is het fundament van de artsenopleiding. Prima methode, als we te doen hebben met een besmettelijke ziekte - dan werkt het goed. Veel mensen hier in het publiek zouden waarschijnlijk niet meer leven als artsen dit niet deden.
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.
Maar pas dat nu eens toe op systeemziekten zoals kanker. Het probleem is dat bij kanker er niets vreemds in je is binnengedrongen. Jij bent het zelf waarin iets stuk is gegaan. Die conversatie binnen in je is op de een of andere manier in het honderd gelopen. Hoe diagnosticeren we zo'n conversatie? Nu doen we dat door te kijken waar in je lichaam de fout optreedt - waar de ziekte zich uit - en wij brengen je onder in verschillende categorieën volgens het deel van het lichaam. Dan doen we een klinische proef voor een geneesmiddel voor longkanker, een voor prostaatkanker en een voor borstkanker. Wij behandelen deze alsof het afzonderlijke ziekten zijn, alsof deze manier van indelen iets te maken had met wat er werkelijk is misgegaan. Natuurlijk heeft dat weinig te maken met wat er misging. Omdat kanker een falen is van het systeem. Ik denk zelfs dat we verkeerd bezig zijn als we over kanker als over een ding praten. Ik denk dat dat een grote vergissing is. Volgens mij zou kanker geen zelfstandig naamwoord mogen zijn. We zouden moeten praten over 'kankeren' als over een proces, niet als iets wat we hebben. Tumoren zijn symptomen van kanker. Je lichaam kankert waarschijnlijk de hele tijd. Maar allerlei systemen in je lichaam zorgen ervoor dat het onder controle blijft.
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.
Om je een idee te geven geef ik weer een analogie voor kankeren als een werkwoord. Stel dat we niets weten over sanitair en hoe erover te praten. We komen thuis en we vinden een lek in de keuken en zeggen: "Oh, mijn huis staat onder water." We zouden het kunnen indelen. De loodgieter zou zeggen: "Nou, waar is het water?" "In de keuken. O, dan heb je keukenwater." Op dat niveau spreken we bij kanker. "Keukenwater? Nou, allereerst, gaan we het zoveel mogelijk opdweilen. Wat ontstopper rondstrooien in de keuken helpt ook. Terwijl het voor woonkamerwater beter is om het dak te asfalteren." Het klinkt stom, maar dat is in essentie wat we doen bij kanker. Niet dat je je water niet mag opdweilen als je kanker hebt. Maar dat is niet het echte probleem; het is een symptoom ervan.
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.
Waar we echt moeten toe komen, is het proces aanpakken dat gaande is op het niveau van de proteomische acties, waarom ons lichaam zichzelf niet meer geneest op de manier waarop het dat normaal doet. Want normaal is je lichaam de hele tijd bezig met dit probleem. Je huis gaat dus de hele tijd om met lekken. Maar het repareert ze. Het raakt er van af. Dus wat we nodig hebben, is een oorzakelijk model van wat er werkelijk gaande is. Proteomica geeft ons nu echt de mogelijkheid om zo'n model te construeren.
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 nodigde me uit om een talk aan het National Cancer Institute te geven en Anna Barker was er ook. Ik vroeg: "Waarom zijn jullie hier niet mee bezig?" Anna antwoordde: "Omdat niemand die met kanker bezig is, er op deze manier naar zou kijken. Maar we gaan een programma opstellen voor mensen buiten het gebied van kanker om samen te komen met artsen die echt wat weten over kanker en om verschillende onderzoeksprogramma's uit te werken. " David en ik meldden ons aan voor dit programma en creëerden een consortium op USC met enkele van de beste oncologen ter wereld en sommige van de beste biologen ter wereld, van Cold Spring Harbor, Stanford, Austin - ik zal zelfs niet ingaan op alle plaatsen - om een onderzoeksproject op te starten dat vijf jaar zal duren, waarbij we gaan proberen om een model voor kanker te bouwen. We doen het eerst bij muizen. We zullen hierbij veel muizen doden maar ze zullen sterven voor een goed doel. We gaan proberen een voorspellend model op te stellen waarmee we kunnen begrijpen wanneer kanker optreedt, wat er eigenlijk in gebeurt en waarmee we die kanker kunnen behandelen.
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.
Laat me eindigen met een beeld van hoe de behandeling van kanker er volgens mij in de toekomst zal uitzien. Ik denk dat uiteindelijk, eens dat we zo'n model hebben voor mensen, en dat zullen we krijgen - ik bedoel onze groep zal daar niet helemaal alleen in slagen - maar uiteindelijk zullen we over een zeer goed computermodel beschikken - te vergelijken met het globale-klimaatmodel voor het weer. Het zal hopen informatie verschaffen over welke processen gaande zijn in deze proteomische conversatie op veel verschillende schalen. We zullen met dat model jouw specifieke kanker kunnen simuleren - en dit zal ook gelden voor ALS, of meer van dergelijke systeemneurodegeneratieve ziekten, dat soort dingen - we zullen dit voor jou specifiek kunnen simuleren, en niet alleen voor een gemiddelde persoon, we vinden wat er werkelijk in jou gaande is.
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.
In die simulatie zouden we voor jou specifiek een opeenvolging van behandelingen kunnen ontwerpen. Zachte behandelingen met zeer kleine hoeveelheden medicijnen. Het zouden misschien dingen zijn als een dag vasten of wat chemotherapie, misschien wel een beetje straling. Natuurlijk zal soms een operatie of zo nodig zijn. Maar het zal een specifiek voor jou ontworpen programma van behandelingen zijn en het zal je lichaam helpen om terug gezond te worden. Omdat je lichaam zelf het meeste werk zal doen bij het herstelproces als we het gewoon wat ondersteunen als het mis gaat. Het is het equivalent van gipsen. Je lichaam heeft in principe heel veel mechanismen om van kanker te herstellen. Die moeten we gewoon op de juiste manier leren activeren om ze hun werk te laten doen.
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.
Ik denk dat dit de manier zal worden waarop kanker in de toekomst zal worden behandeld. Het gaat veel werk vereisen, veel onderzoek. Er zullen veel teams zoals het onze hieraan gaan werken. Maar ik denk dat we uiteindelijk voor iedereen een kankerbehandeling op maat gaan kunnen ontwerpen.
So thank you very much.
Zeer bedankt.
(Applause)
(Applaus)