Die nächsten 16 Minuten nehme ich Sie mit auf eine Reise, die wohl der größte Menschheitstraum ist: den Code des Lebens zu verstehen.
For the next 16 minutes, I'm going to take you on a journey that is probably the biggest dream of humanity: to understand the code of life.
Bei mir fing alles vor vielen Jahren an, als ich Bekanntschaft mit dem ersten 3D-Drucker machte. Das Konzept war spannend. Einem 3D-Drucker genügen drei Komponenten: Informationen, Ausgangsmaterial, Energie; und er kann irgendein Objekt herstellen, das vorher nicht da war.
So for me, everything started many, many years ago when I met the first 3D printer. The concept was fascinating. A 3D printer needs three elements: a bit of information, some raw material, some energy, and it can produce any object that was not there before.
Ich studierte Physik, kam nach Hause zurück und erkannte, dass ich schon immer einen 3D-Drucker kannte. Wie jeder andere auch. Es war meine Mutter.
I was doing physics, I was coming back home and I realized that I actually always knew a 3D printer. And everyone does. It was my mom.
(Lachen)
(Laughter)
Meiner Mutter genügten drei Komponenten: Informationen -- in diesem Fall von meinem Vater und meiner Mutter --, Ausgangsmaterial und Energie -- beides als Lebensmittel -- und nach mehreren Monaten brachte sie mich zu Stande. Auch ich war vorher nicht existent.
My mom takes three elements: a bit of information, which is between my father and my mom in this case, raw elements and energy in the same media, that is food, and after several months, produces me. And I was not existent before.
Abgesehen vom Schock zu entdecken, dass meine Mutter ein 3D-Drucker war, faszinierte mich sofort der erste Teil: die Information. Welche Informationsmenge braucht man, um einen Menschen zu erschaffen? Ist es viel oder wenig? Wie viele USB-Sticks lassen sich damit füllen?
So apart from the shock of my mom discovering that she was a 3D printer, I immediately got mesmerized by that piece, the first one, the information. What amount of information does it take to build and assemble a human? Is it much? Is it little? How many thumb drives can you fill?
Ich war Physik-Studienanfänger und nahm ein riesiges Lego-Modell als Analogie für einen Menschen. Stellen Sie sich vor, die Bausteine seien kleine Atome und hier ein Wasserstoff, da ein Kohlenstoff und dort ein Stickstoff. In einer ersten Annäherung nahm ich an, dass man einen Menschen erschaffen könnte, wenn man die Anzahl der Atome auflistet, die einen Menschen ausmachen. Man kann einige Berechnungen anstellen und es scheint eine ziemlich erstaunliche Anzahl zu sein. Die Datei für die Anzahl der Atome, die man für ein Baby benötigt und die ich abspeichern will, füllt die ganze Titanic mit USB-Sticks, multipliziert mit 2000. Das ist das Wunder des Lebens. Von nun an verbinden Sie mit einer Schwangeren jedes Mal die größte Datenmenge, die ihnen jemals unterkommen wird. Haken Sie Big Data ab, vergessen Sie, wovon sie gehört haben. Das ist die größte existierende Datenmenge.
Well, I was studying physics at the beginning and I took this approximation of a human as a gigantic Lego piece. So, imagine that the building blocks are little atoms and there is a hydrogen here, a carbon here, a nitrogen here. So in the first approximation, if I can list the number of atoms that compose a human being, I can build it. Now, you can run some numbers and that happens to be quite an astonishing number. So the number of atoms, the file that I will save in my thumb drive to assemble a little baby, will actually fill an entire Titanic of thumb drives -- multiplied 2,000 times. This is the miracle of life. Every time you see from now on a pregnant lady, she's assembling the biggest amount of information that you will ever encounter. Forget big data, forget anything you heard of. This is the biggest amount of information that exists.
(Applaus) Aber ...
(Applause) But nature, fortunately, is much smarter than a young physicist,
die Natur ist glücklicherweise viel schlauer als ein junger Physiker und schaffte es in vier Milliarden Jahren die Informationen in ein kleines Kristall, namens DNA, zu packen. Man stieß 1950 zum ersten Mal darauf, als Rosalind Franklin, eine erstaunliche Wissenschaftlerin, ein Foto davon machte. Aber es dauerte mehr als 40 Jahre bis man in eine menschliche Zelle blickte, dieses Kristall herausholte, es ausrollte und das erste Mal las. Der Code stellt sich als ziemlich einfaches Alphabet heraus. Vier Buchstaben: A, T, C und G. Um einen Menschen zu bilden, benötigt man davon drei Milliarden. Drei Milliarden. Was bedeutet drei Milliarden? Die Zahl alleine ist sinnlos, oder?
and in four billion years, managed to pack this information in a small crystal we call DNA. We met it for the first time in 1950 when Rosalind Franklin, an amazing scientist, a woman, took a picture of it. But it took us more than 40 years to finally poke inside a human cell, take out this crystal, unroll it, and read it for the first time. The code comes out to be a fairly simple alphabet, four letters: A, T, C and G. And to build a human, you need three billion of them. Three billion. How many are three billion? It doesn't really make any sense as a number, right?
Also dachte ich darüber nach, wie ich mir besser verdeutlichen könnte, wie riesengroß dieser Code ist. Ich werde dazu Unterstützung benötigen und die beste Person, die mir dabei helfen kann, den Code vorzustellen, ist der Erste, der ihn in eine Reihenfolge brachte: Dr. Craig Venter. Herzlich Willkommen auf der Bühne: Dr. Craig Venter.
So I was thinking how I could explain myself better about how big and enormous this code is. But there is -- I mean, I'm going to have some help, and the best person to help me introduce the code is actually the first man to sequence it, Dr. Craig Venter. So welcome onstage, Dr. Craig Venter. (Applause)
(Applaus)
Nicht aus Fleisch und Blut, aber zum ersten Mal in der Geschichte druckte man das Genom eines bestimmten Menschen aus, Seite für Seite, Buchstabe für Buchstabe. Daten auf 262 000 Seiten, 450 Kilogramm schwer, verfrachtete man von den USA nach Kanada. Der Dank geht an Bruno Bowden, Lulu.com, der alles Erforderliche unternahm. Es war ein erstaunlicher Kraftakt.
Not the man in the flesh, but for the first time in history, this is the genome of a specific human, printed page-by-page, letter-by-letter: 262,000 pages of information, 450 kilograms, shipped from the United States to Canada thanks to Bruno Bowden, Lulu.com, a start-up, did everything. It was an amazing feat.
Das ist der visuell wahrnehmbare Code des Lebens. Erstmals kann ich etwas Lustiges tun. Ich kann hineinschauen und darin lesen. Nehmen wir dieses interessante Buch. Da ist ein Vermerk; es ist ein ziemlich dickes Buch. Nur um Sie verstehen zu lassen, was der Code des Lebens ist. Tausende und Abermillionen Buchstaben Sie sind anscheinend sinnvoll. Sehen wir uns einen bestimmten Teil an. Ich lese ihn vor:
But this is the visual perception of what is the code of life. And now, for the first time, I can do something fun. I can actually poke inside it and read. So let me take an interesting book ... like this one. I have an annotation; it's a fairly big book. So just to let you see what is the code of life. Thousands and thousands and thousands and millions of letters. And they apparently make sense. Let's get to a specific part. Let me read it to you:
(Lachen)
(Laughter)
"AAG, AAT, ATA."
"AAG, AAT, ATA."
Die Buchstaben sagen Ihnen nichts, aber durch diese Abfolge erhält Craig seine Augenfarbe. Ich zeige Ihnen einen anderen Buchteil. Der ist ein wenig komplizierter.
To you it sounds like mute letters, but this sequence gives the color of the eyes to Craig. I'll show you another part of the book. This is actually a little more complicated.
Chromosom 14, Buch 132:
Chromosome 14, book 132:
(Lachen)
(Laughter)
Wie Sie vielleicht erwartet haben.
As you might expect.
(Lachen)
(Laughter)
"ATT, CTT, GATT."
"ATT, CTT, GATT."
Dieser Mensch hat Glück, denn wenn nur zwei Buchstaben an dieser Stelle fehlen -- zwei Buchstaben unserer drei Milliarden -- verdammt es einen zu einer schrecklichen Krankheit: Mukoviszidose. Es gibt keine Heilung und man kennt keine Lösung. Es sind nur zwei Buchstaben, die uns unterscheiden.
This human is lucky, because if you miss just two letters in this position -- two letters of our three billion -- he will be condemned to a terrible disease: cystic fibrosis. We have no cure for it, we don't know how to solve it, and it's just two letters of difference from what we are.
Ein wundervolles Buch, ein mächtiges Buch, das mich begreifen und Ihnen etwas Bemerkenswertes zeigen ließ. Bei jedem von uns sind ungefähr 5 Millionen nötig, um uns zu dem zu machen, was wir sind: ein halbes Buch. Ansonsten sind wir alle absolut identisch. Fünfhundert Seiten sind das Wunder ihres Lebens. Das Übrige haben wir gemeinsam. Überdenken Sie noch einmal den Glauben, wir seien unterschiedlich. Das ist unsere gemeinsame Menge.
A wonderful book, a mighty book, a mighty book that helped me understand and show you something quite remarkable. Every one of you -- what makes me, me and you, you -- is just about five million of these, half a book. For the rest, we are all absolutely identical. Five hundred pages is the miracle of life that you are. The rest, we all share it. So think about that again when we think that we are different. This is the amount that we share.
Jetzt da ich Ihre Aufmerksamkeit habe, ist die nächste Frage: Wie liest man ihn? Wie versteht man die Bedeutung? Aber wie gut Sie auch im Zusammenbauen schwedischer Möbel sein mögen, diese Bedienungsanleitung können Sie in Ihrem ganzen Leben nicht knacken.
So now that I have your attention, the next question is: How do I read it? How do I make sense out of it? Well, for however good you can be at assembling Swedish furniture, this instruction manual is nothing you can crack in your life.
(Lachen)
(Laughter)
Im Jahr 2014 entschieden sich zwei berühmte TEDster, Peter Diamandis und Craig Venter, ein neues Unternehmen aufzubauen. Human Longevity war geboren und es hat einen Auftrag: Alles auszuprobieren, was geht und alles aus diesen Büchern zu erfahren, mit dem einen Ziel: den Traum personalisierter Medizin zu verwirklichen, zu verstehen, was man tun sollte, um die Gesundheit zu verbessern und was die Geheimnisse in diesen Büchern sind.
And so, in 2014, two famous TEDsters, Peter Diamandis and Craig Venter himself, decided to assemble a new company. Human Longevity was born, with one mission: trying everything we can try and learning everything we can learn from these books, with one target -- making real the dream of personalized medicine, understanding what things should be done to have better health and what are the secrets in these books.
Ein tolles Team, 40 Data Scientists und viele weitere Leute, mit denen es eine Freude war zu arbeiten. Das Konzept ist eigentlich sehr einfach. Wir benutzen eine Technologie, die man Maschinelles Lernen nennt. Einerseits haben wir tausende von Genomen, andererseits sammelten wir den größten Datenbestand zum Menschen: Erscheinungsformen, 3D-Scans, Nuklearmagnetresonanz -- alles Erdenkliche. Zwischen diesen gegenüberliegenden Seiten liegt das Geheimnis der Umwandlung. Dazwischen bauten wir eine Maschine auf. Wir bauten und trainierten eine Maschine, -- nicht nur eine, sondern viele Maschinen --, um das Genom zu verstehen und es in Erscheinungsformen zu übertragen. Was bedeuten diese Buchstaben und wozu führen sie? Das ist ein Ansatz, der für alles genutzt werden kann, aber die Nutzung in der Genomforschung ist teilweise kompliziert. Nach und nach wuchsen wir und stellten uns unterschiedlichen Aufgaben. Wir fingen ganz von vorne an, mit gemeinsamen Merkmalen. Gemeinsame Merkmale sind angenehm, weil wir sie gemeinsam haben.
An amazing team, 40 data scientists and many, many more people, a pleasure to work with. The concept is actually very simple. We're going to use a technology called machine learning. On one side, we have genomes -- thousands of them. On the other side, we collected the biggest database of human beings: phenotypes, 3D scan, NMR -- everything you can think of. Inside there, on these two opposite sides, there is the secret of translation. And in the middle, we build a machine. We build a machine and we train a machine -- well, not exactly one machine, many, many machines -- to try to understand and translate the genome in a phenotype. What are those letters, and what do they do? It's an approach that can be used for everything, but using it in genomics is particularly complicated. Little by little we grew and we wanted to build different challenges. We started from the beginning, from common traits. Common traits are comfortable because they are common, everyone has them.
Wir begannen damit, unsere Fragen zu stellen: Kann man die Größe vorhersagen? Kann man die Bücher lesen und ihre Größe vorhersagen? Eigentlich kann man es mit einer Treffsicherheit bis auf 5 Zentimeter. Der Body-Mass-Index hängt ziemlich an unserem Lebensstil, aber man liegt mit einer Genauigkeit von 8 Kilogramm nahe dran. Kann man die Augenfarbe vorhersagen? Ja, das kann man. Mit 80zig prozentiger Treffsicherheit. Kann man die Hautfarbe vorhersagen? Ja, das kann man: 80-prozentige Treffsicherheit. Kann man das Alter vorhersagen? Man kann es, denn der Code ändert sich anscheinend während des Lebens. Er wird kürzer, verliert Stücke, bekommt Einschübe. Wir nehmen die Signale wahr und erstellen ein Modell.
So we started to ask our questions: Can we predict height? Can we read the books and predict your height? Well, we actually can, with five centimeters of precision. BMI is fairly connected to your lifestyle, but we still can, we get in the ballpark, eight kilograms of precision. Can we predict eye color? Yeah, we can. Eighty percent accuracy. Can we predict skin color? Yeah we can, 80 percent accuracy. Can we predict age? We can, because apparently, the code changes during your life. It gets shorter, you lose pieces, it gets insertions. We read the signals, and we make a model.
Eine interessante Herausforderung: Kann man Gesichtszüge vorhersagen? Es ist ein bisschen kompliziert, denn ein menschliches Gesicht ist auf Millionen Buchstaben verstreut. Ein menschliches Gesicht ist kein sehr genau abgegrenztes Objekt. Wir mussten davon eine ganze Maske erstellen, sie einbetten und auf das Wesentliche reduzieren, um einer Maschine beizubringen, was ein Gesicht ist. Wenn Sie mit maschinellem Lernen vertraut sind, verstehen Sie, worin hier die Herausforderung liegt.
Now, an interesting challenge: Can we predict a human face? It's a little complicated, because a human face is scattered among millions of these letters. And a human face is not a very well-defined object. So, we had to build an entire tier of it to learn and teach a machine what a face is, and embed and compress it. And if you're comfortable with machine learning, you understand what the challenge is here.
Nach 15 Jahren -- 15 Jahre nachdem man die erste Sequenz gelesen hat -- fingen wir im letzten Oktober an, einige Signale zu verstehen. Es war ein sehr emotionaler Augenblick. Hier sehen Sie eine Versuchsperson, die in unser Labor kam. Das ist für uns ein Gesicht. Wir reduzierten die Komplexität des Gesichts einer echten Person, denn nicht alles in einem Gesicht ist ursprünglich vorhanden -- viele Merkmale, Defekte und Asymmetrien ergeben sich im Verlauf des Lebens. Wir machten das Gesicht symmetrisch und ließen unseren Algorithmus laufen. Die Ergebnisse, die ich Ihnen nun zeige, sagten wir mit Hilfe des Blutes vorher.
Now, after 15 years -- 15 years after we read the first sequence -- this October, we started to see some signals. And it was a very emotional moment. What you see here is a subject coming in our lab. This is a face for us. So we take the real face of a subject, we reduce the complexity, because not everything is in your face -- lots of features and defects and asymmetries come from your life. We symmetrize the face, and we run our algorithm. The results that I show you right now, this is the prediction we have from the blood.
(Applaus)
(Applause)
Warten Sie eine Sekunde. In diesen Augenblicken, in denen Sie hin und her blicken, links und rechts, links und rechts will Ihr Gehirn, dass die Bilder identisch sind. Daher bitte ich Sie, der Ehrlichkeit halber, um eine weitere Aufgabe. Bitte suchen Sie nach den Unterschieden, die zahlreich sind. Die größte Menge an Signalen ergibt sich aus dem Geschlecht, dann aus dem Alter, dem Body-Mass-Index und der ethnischen Zugehörigkeit. Dieses Signal zu verstärken ist viel komplizierter. Aber was Sie hier sehen, sogar trotz der Unterschiede, lässt Sie verstehen, dass wir bei der richtigen Hausnummer sind und näher kommen. Es ruft bei Ihnen bereits einige Gefühle hervor.
Wait a second. In these seconds, your eyes are watching, left and right, left and right, and your brain wants those pictures to be identical. So I ask you to do another exercise, to be honest. Please search for the differences, which are many. The biggest amount of signal comes from gender, then there is age, BMI, the ethnicity component of a human. And scaling up over that signal is much more complicated. But what you see here, even in the differences, lets you understand that we are in the right ballpark, that we are getting closer. And it's already giving you some emotions. This is another subject that comes in place,
Das ist eine andere Versuchsperson und das ist die Vorhersage. Ein schmaleres Gesicht, die Schädelstruktur stimmt nicht ganz, aber es ist immer noch die richtige Größenordnung. Das ist die Versuchsperson, die in unser Labor kam, und das ist die Vorhersage. Diese Menschen waren nie in das Training der Maschinen eingebunden. Sie gehören zur sogenannten "Bereitschaftsgruppe". Was sie vermutlich nicht glauben werden, aber das sind echte Menschen. Wir drucken alles in einer wissenschaftlichen Veröffentlichung ab, sodass man es nachlesen kann.
and this is a prediction. A little smaller face, we didn't get the complete cranial structure, but still, it's in the ballpark. This is a subject that comes in our lab, and this is the prediction. So these people have never been seen in the training of the machine. These are the so-called "held-out" set. But these are people that you will probably never believe. We're publishing everything in a scientific publication, you can read it.
Aber seit wir anfingen, fordert Chris mich heraus. Ich lehnte mich aus dem Fenster und versuchte eine Vorhersage zu jemandem, den sie vielleicht erkennen. In diesem Blutröhrchen -- Sie können sich nicht vorstellen, was wir anstellen mussten, um das Blut jetzt hier zu haben --, ist die Menge an biologischer Information, die wir für eine vollständige Genom-Sequenz benötigen. Diese Menge genügt. Wir führten die Sequenzierung durch und ich werde es mit Ihnen machen. Wir wendeten die ganzen vorhandenen Erkenntnisse an. Wir sagten mit dem Blutröhrcheninhalt das männliche Geschlecht vorher. Die Person ist männlich. Wir sagten vorher, dass er 1 Meter und 76 cm groß ist. Die Person ist 1 Meter und 77 cm. Wir sagten vorher, dass er 76 Kilo schwer ist, die Person ist 82 Kilo schwer. Wir sagten vorher, sein Alter wäre 38. Die Person ist 35. Wir sagten seine Augenfarbe vorher. Zu dunkel. Wir sagten seine Hautfarbe vorher. Sie stimmt fast überein. Das ist sein Gesicht.
But since we are onstage, Chris challenged me. I probably exposed myself and tried to predict someone that you might recognize. So, in this vial of blood -- and believe me, you have no idea what we had to do to have this blood now, here -- in this vial of blood is the amount of biological information that we need to do a full genome sequence. We just need this amount. We ran this sequence, and I'm going to do it with you. And we start to layer up all the understanding we have. In the vial of blood, we predicted he's a male. And the subject is a male. We predict that he's a meter and 76 cm. The subject is a meter and 77 cm. So, we predicted that he's 76; the subject is 82. We predict his age, 38. The subject is 35. We predict his eye color. Too dark. We predict his skin color. We are almost there. That's his face.
Nun kommt der Augenblick der Offenbarung: Das ist die Versuchsperson.
Now, the reveal moment: the subject is this person.
(Lachen)
(Laughter)
Ich stellte mich bewusst zur Verfügung. Ich gehöre einer speziellen und eigentümlichen Ethnie an. Südeuropäer, Italiener -- sie passen zu keinem Modell. Es ist heikel, dass Ethnizität ein komplexer Ausnahmefall für unser Modell ist. Aber es gibt einen weiteren Aspekt. Die Merkmale, die wir häufig zur Personenerkennung nutzen, wird nicht in das Genom geschrieben. Es ist unser freier Wille, es ist wie ich aussehe. In diesem Fall nicht mein Haarschnitt, aber wie mein Bart gestutzt ist. Ich werde in diesem Fall den Bart -- das ist nichts weiter als Photoshop, kein Modellieren -- auf die Vorhersage übertragen. Sofort bekommen wir einen besseren Eindruck davon.
And I did it intentionally. I am a very particular and peculiar ethnicity. Southern European, Italians -- they never fit in models. And it's particular -- that ethnicity is a complex corner case for our model. But there is another point. So, one of the things that we use a lot to recognize people will never be written in the genome. It's our free will, it's how I look. Not my haircut in this case, but my beard cut. So I'm going to show you, I'm going to, in this case, transfer it -- and this is nothing more than Photoshop, no modeling -- the beard on the subject. And immediately, we get much, much better in the feeling.
Warum machen wir das? Wir machen es sicherlich nicht, um die Größe vorherzusagen oder aus unserem Blut heraus ein schönes Bild zu erstellen. Wir machen das, weil dieselbe Technologie und dieselbe Herangehensweise, wie die Maschinen von diesem Code lernten, uns verstehen hilft, wie wir funktionieren, wie unser Körper funktioniert, wie unser Körper altert, wie sich Krankheiten in unserem Körper entwickeln, wie Krebs wächst und sich entwickelt, wie Medikamente wirken und ob sie sich auf den Körper auswirken.
So, why do we do this? We certainly don't do it for predicting height or taking a beautiful picture out of your blood. We do it because the same technology and the same approach, the machine learning of this code, is helping us to understand how we work, how your body works, how your body ages, how disease generates in your body, how your cancer grows and develops, how drugs work and if they work on your body.
Das ist eine riesige Aufgabe. Das ist eine Aufgabe, die wir mit Tausenden anderer Forscher weltweit teilen. Sie nennt sich personalisierte Medizin. Das ist die Fähigkeit, sich von einen statistischen Ansatz, wo man ein Tropfen im Ozean ist, hinzubewegen auf einen personalisierten Ansatz, wo man alle Bücher gelesen hat und man die Erkenntnis hat, wie es einem genau geht. Aber das ist eine besonders komplizierte Aufgabe, weil wir aus den ganzen Büchern nach heutigem Stand wahrscheinlich nur zwei Prozent wissen: vier Bücher von mehr als 175.
This is a huge challenge. This is a challenge that we share with thousands of other researchers around the world. It's called personalized medicine. It's the ability to move from a statistical approach where you're a dot in the ocean, to a personalized approach, where we read all these books and we get an understanding of exactly how you are. But it is a particularly complicated challenge, because of all these books, as of today, we just know probably two percent: four books of more than 175.
Das ist nicht das Thema meines Vortrags, weil wir mehr erfahren werden. Die besten Köpfe auf der Welt sind an diesem Thema dran. Die Vorhersagen werden besser werden, die Modelle werden präziser werden. Je mehr wir erfahren, desto mehr werden wir mit Entscheidungen konfrontiert, die wir vorher nicht treffen mussten: Über das Leben, über den Tod, über Elternschaft.
And this is not the topic of my talk, because we will learn more. There are the best minds in the world on this topic. The prediction will get better, the model will get more precise. And the more we learn, the more we will be confronted with decisions that we never had to face before about life, about death, about parenting.
Wir berühren den innersten Ausschnitt der Funktionsweise des Lebens. Es ist eine Revolution, die nicht auf das Gebiet der Wissenschaft oder der Technologie begrenzt werden kann. Das muss eine weltweite Diskussion geben. Wir müssen über die Zukunft unserer Menschheit nachdenken. Wir müssen mit Kreativen, Künstlern, Philosophen, mit Politikern den Austausch suchen. Jeder ist beteiligt, weil es um die Zukunft unserer Art geht. Ohne Angst, aber mit der Erkenntnis, dass die Entscheidungen, die wir in den nächsten Jahren treffen, den Gang der Geschichte für immer verändern.
So, we are touching the very inner detail on how life works. And it's a revolution that cannot be confined in the domain of science or technology. This must be a global conversation. We must start to think of the future we're building as a humanity. We need to interact with creatives, with artists, with philosophers, with politicians. Everyone is involved, because it's the future of our species. Without fear, but with the understanding that the decisions that we make in the next year will change the course of history forever.
Danke.
Thank you.
(Applaus)
(Applause)