Για τα επόμενα 16 λεπτά, θα σας πάω ένα ταξίδι, το οποίο αποτελεί πιθανότατα το μεγαλύτερο όνειρο της ανθρωπότητας: στην κατανόηση του κώδικα της ζωής.
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.
Όσον αφορά εμένα, όλα ξεκίνησαν πριν πολλά χρόνια όταν είδα τον πρώτο τρισδιάστατο εκτυπωτή. Η ιδεά ήταν συναρπαστική. Ένας 3D εκτυπωτής χρειάζεται τρία στοιχεία: μερικές πληροφορίες, κάποια πρώτη ύλη, λίγη ενέργεια και μπορεί να παράγει οποιοδήποτε αντικείμενο που δεν υπήρχε πριν.
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.
Σπούδαζα φυσική, επέστρεφα στο σπίτι, και αντιλήφθηκα πως στην πραγματικότητα πάντα γνώριζα έναν 3D εκτυπωτή. Ο καθένας μας γνωρίζει. Ήταν η μαμά μου. (Γέλια)
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.
Η μητέρα μου χρειάζεται τρία στοιχεία: λίγες πληροφορίες, που εν προκειμένω είναι θέμα του πατέρα και της μητέρας μου, πρώτες ύλες και ενέργεια στο ίδιο το μέσο, που είναι το φαγητό, και μετά από αρκετούς μήνες παράγει εμένα. Εγώ δεν υπήρχα πριν.
(Laughter) 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.
Έτσι, πέρα από το σοκ της ανακάλυψης ότι η μητέρα μου ήταν ένας 3D εκτυπωτής γοητεύτηκα αμέσως από εκείνο το κομμάτι, το πρώτο, τις πληροφορίες. Τι ποσότητα πληροφοριών χρειάζεται για να κατασκευαστεί ένας άνθρωπος; Χρειάζεται πολλές; Λίγες; Πόσα στικάκια usb μπορείτε να γεμίσετε;
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?
Σπούδαζα φυσική και στην αρχή προσέγγισα τον άνθρωπο σαν ένα γιγάντιο τουβλάκι lego. Φανταστείτε ότι τα δομικά στοιχεία είναι μικρά άτομα και υπάρχει ένα άτομο υδρογόνου εδώ, ένα άνθρακα εδώ κι ένα αζώτου εδώ. Στην πρώτη προσέγγιση, αν μπορώ να απαριθμήσω τον αριθμό των ατόμων που συνθέτουν ένα ανθρώπινο ον, μπορώ να το κατασκευάσω. Τώρα, μπορείτε να τρέξετε κάποια νούμερα και αυτό που συμβαίνει είναι ένας αρκετά εκπληκτικός αριθμός. Ο αριθμός των ατόμων, το αρχείο στο οποίο θα σώσω στο usb μου για να συναρμολογήσω έναν μικρό μωρό, θα γεμίσει στην πραγματικότητα έναν ολόκληρο Τιτανικό από στικάκια - πολλαπλασιαζόμενα 2.000 φορές. Αυτό είναι το θαύμα της ζωής. Κάθε φορά που από δω και στο εξής θα βλέπετε μια έγκυο γυναίκα, αποτελεί τη μεγαλύτερη συγκέντρωση ποσότητας πληροφοριών που θα συναντήσετε ποτέ σας. Ξεχάστε τα μεγάλα δεδομένα, ξεχάστε ό,τι έχετε ακούσει. Αυτή είναι η μεγαλύτερη ποσότητα πληροφορίων που υπάρχει. (Χειροκρότημα)
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. (Applause)
Όμως... ευτυχώς, η φύση είναι πολύ πιο έξυπνη από έναν νεαρό φυσικό,
But nature, fortunately, is much smarter than a young physicist,
και σε τέσσερα δις χρόνια κατάφερε να συσκευάσει αυτές τις πληροφορίες σε έναν μικρό κρύσταλλο που καλούμε DNA. Τον γνωρίσαμε για πρώτη φορά το 1950 όταν η Ρόζαλιντ Φράνκλιν, μια εκπληκτική επιστήμων και γυναίκα, τον φωτογράφισε. Αλλά μας πήρε περισσότερα από 40 χρόνια για να εισέλθουμε τελικά μέσα σε ένα ανθρώπινο κύτταρο, να εξάγουμε αυτόν τον κρύσταλλο, να τον ξεδιπλώσουμε και να τον διαβάσουμε για πρώτη φορά. Ο κώδικας αποδεικνύεται ότι είναι ένα αρκετά απλό αλφάβητο τεσσάρων γραμμάτων: A, T, C και G. Για να κατασκευάσετε έναν άνθρωπο χρειάζεστε τρία δις από αυτά. Τρία δισεκατομμύρια. Πόσα είναι τρία δισεκατομμύρια; Δεν μας κάνει κάποια αίσθηση ως αριθμός, σωστά; Έτσι, σκεφτόμουν πώς θα μπορούσα να εξηγήσω στον εαυτό μου καλύτερα σχετικά με το πόσο μεγάλος και τεράστιος είναι αυτός ο κώδικας. Όμως υπάρχει - εννοώ πρόκειται να έχω κάποια βοήθεια,
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? 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,
και το καλύτερο άτομο για να με βοηθήσει να εισαγάγω τον κώδικα ειναι ο πρώτος άνθρωπος που το προσδιόρισε, ο Δρ. Κρεγκ Βέντερ. Ας υποδεχτούμε στη σκηνή τον Δρ. Κρεγκ Βέντερ. (Χειροκρότημα) Δεν είναι ο ίδιος αυτοπροσώπως, αλλά για πρώτη φορά στην ιστορία
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) Not the man in the flesh, but for the first time in history,
είναι το γονιδίωμα ενός συγκεκριμένου ανθρώπου,
this is the genome of a specific human,
εκτυπωμένο σελίδα προς σελίδα, γράμμα προς γράμμα, 262.000 χιλιάδες σελίδες πληροφοριών, 450 κιλά απεστάλησαν από τις ΗΠΑ στον Καναδά χάρη στον Μπρούνο Μπόουντεν από την Lulu.com, ένας νέος επιχειρηματίας τα έκανε όλα. Ήταν ένα εκπληκτικό κατόρθωμα. Όμως, αυτή είναι η οπτική αντίληψη για το τι είναι ο κώδικας της ζωής. Για πρώτη φορά μπορώ να κάνω κάτι διασκεδαστικό. Μπορώ πράγματι να εισέλθω σε αυτόν και να τον διαβάσω.
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. 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.
Επιτρέψτε μου να πάρω ένα ενδιαφέρον βιβλίο... όπως αυτό. Έχω βάλει μια σημείωση· είναι ένα αρκετά μεγάλο βιβλίο. Έτσι, απλά για να σας αφήσω να δείτε τι είναι ο κώδικας της ζωής. Πάρα πολλές χιλιάδες και εκατομμύρια γράμματα. Προφανώς έχουν νόημα. Ας πάμε σε ένα συγκεκριμένο μέρος. Επιτρέψτε μου να σας το διαβάσω: (Γέλια)
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: (Laughter)
«AAG, AAT, ATA»
"AAG, AAT, ATA."
Σας ακούγονται σαν σιωπηλά γράμματα,
To you it sounds like mute letters,
αλλά αυτή η ακολουθία εκφράζει το χρώμα των ματιών του Κρεγκ. Θα σας δείξω ένας άλλο μέρος του βιβλίου. Αυτό είναι πράγματι λίγο πιο πολύπλοκο. Χρωμόσωμα 14, βιβλίο 132: (Γέλια)
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. Chromosome 14, book 132:
(Laughter)
Όπως μπορείτε να φανταστείτε.
As you might expect.
(Γέλια)
(Laughter)
«ATT, CTT, GATT»
"ATT, CTT, GATT."
Αυτός ο άνθρωπος είναι τυχερός
This human is lucky,
επειδή εάν χάσετε μόλις δύο γράμματα σε αυτή τη θέση -δύο από τα τρία δισεκατομμύρια- θα αποκτήσει μια τρομερή ασθένεια: την κυστική ίνωση. Δεν έχουμε θεραπεία γι' αυτήν, δεν ξέρουμε πώς να τη διορθώσουμε, και είναι μόλις δύο γράμματα διαφορά από αυτό που είμαστε. Ένα θαυμάσιο βιβλίο, ένα ισχυρό βιβλίο,
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. A wonderful book, a mighty book,
ένα βιβλίο που με βοήθησε να καταλάβω και να σας δείξω κάτι αρκετά αξιοσημείωτο. Ο κάθε ένας από εσάς -αυτό που μας κάνει ό,τι είμαστε- είναι μόλις πέντε εκατομμύρια από αυτά τα γράμματα, το μισό βιβλίο. Στα υπόλοιπα είμαστε όλοι απολύτως όμοιοι. Πεντακόσιες σελίδες είναι το θαύμα της ζωής το οποίο είστε. Τα υπόλοιπα τα μοιραζόμαστε όλοι. Σκεφτείτε το αυτό ξανά όταν νομίζετε πώς είμαστε διαφορετικοί. Αυτή είναι η ποσότητα που μοιραζόμαστε. Λοιπόν... τώρα που έχω την προσοχή σας
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. So now that I have your attention, the next question is:
η επόμενη ερώτηση είναι: Πώς μπορώ να το διαβάσω αυτό; Πώς μπορώ να βγάλω νόημα από αυτό; Όσο καλά και να μπορείτε να συναρμολογήσετε σουηδικά έπιπλα, αυτό το εγχειρίδιο οδηγιών δεν θα το καταλάβετε ούτε σε μία ζωή. (Γέλια)
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. (Laughter)
Έτσι, το 2014, δύο διάσημα μέλη του TED
And so, in 2014, two famous TEDsters,
ο Πήτερ Διαμαντής και ο ίδιος ο Κρεγκ Βέντερ αποφάσισαν να δημιουργήσουν μια νέα εταιρεία. Η «Προσδόκιμο Ζωής» γεννήθηκε με μια αποστολή: να δοκιμάσουμε οτιδήποτε μπορούμε και να μάθουμε οτιδήποτε μπορούμε από αυτά τα βιβλία με ένα στόχο - να κάνουμε πραγματικότητα το όνειρο της εξατομικευμένης ιατρικής, να κατανοήσουμε ποια πράγματα θα πρέπει να γίνουν για καλύτερη υγεία και ποια είναι τα μυστικά σε αυτά τα βιβλία. Μια εκπληκτική ομάδα από 40 επιστήμονες δεδομένων και πάρα πολλοί άνθρωποι, που χαίρεσαι να δουλεύεις μαζί τους.
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. An amazing team, 40 data scientists and many, many more people, a pleasure to work with.
Η ιδέα είναι πραγματικά πολύ απλή. Θα χρησιμοποιήσουμε μια τεχνολογία που λέγεται «εκμάθηση μηχανών». Από τη μια πλευρά έχουμε γονιδιώματα - χιλιάδες από αυτά. Από την άλλη πλευρά συλλέξαμε τη μεγαλύτερη βάση δεδομένων των ανθρώπινων όντων: φαινότυποι, 3D εκτυπωτής, Φασματοσκοπία NMR - οτιδήποτε μπορείτε να σκεφτείτε. Τα εισάγουμε μέσα, σε αυτές τις δύο αντικείμενες πλευρές, αυτό είναι το μυστικό της μετάφρασης. Στη μέση, κατασκευάζουμε ένα μηχάνημα. Κατασκευάζουμε ένα μηχάνημα και το εκπαιδεύουμε -καλά, όχι ακριβώς ένα μηχάνημα, αλλά παρά πολλά- και προσπαθούμε να καταλάβουμε και να μεταφράσουμε το γονιδίωμα σε ένα φαινότυπο. Τι είναι αυτά τα γράμματα και τι κάνουν; Είναι μια προσέγγιση που μπορεί να χρησιμοποιηθεί για οτιδήποτε αλλά χρησιμοποιούμενη στη γονιδιωματική είναι ιδιαίτερα περίπλοκη. Σιγά σιγά αναπτυχθήκαμε θέτοντας διαφορετικές προκλήσεις. Ξεκινήσαμε από την αρχή, από κοινά γνωρίσματα. Τα κοινά γνωρίσματα είναι βολικά επειδή είναι κοινά, ο καθένας μας τα έχει. Έτσι, ξεκινήσαμε τις ερωτήσεις: Μπορούμε να προβλέψουμε το ύψος; Μπορούμε να διαβάσουμε τα βιβλία και το ύψος σας;
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. So we started to ask our questions: Can we predict height? Can we read the books and predict your height?
Μπορούμε πράγματι να το κάνουμε με ακρίβεια πέντε εκατοστών; Ο Δείκτης Μάζας Σώματος συνδέεται αρκετά με τον τρόπο ζωής σας, όμως μπορούμε να έχουμε χονδρικά ακρίβεια οκτώ κιλών. Να προβλέψουμε το χρώμα των ματιών; Ναι μπορούμε, με 80% ακρίβεια. Να προβλέψουμε το χρώμα του δέρματος; Ναι μπορούμε, με 80% ακρίβεια. Να προβλέψουμε την ηλικία; Μπορούμε, διότι προφανώς ο κώδικας αλλάζει κατά τη διάρκεια της ζωής σας. Γίνεται συντομότερος, χάνετε κομμάτια γίνονται προσθήκες. Διαβάζουμε τα σήματα και κάνουμε ένα μοντέλο. Τώρα, μια ενδιαφέρουσα πρόκληση:
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. Now, an interesting challenge:
Μπορούμε να προβλέψουμε ένα ανθρώπινο πρόσωπο; Είναι λίγο περίπλοκο επειδή ένα ανθρώπινο πρόσωπο
Can we predict a human face? It's a little complicated,
είναι διάσπαρτο σε εκατομμύρια από τα γράμματα, και δεν είναι ένα καλά καθορισμένο αντικείμενο. Έπρεπε να χτίσουμε μια ολόκληρη σειρά, να μάθουμε και να διδάξουμε στο μηχάνημα τι είναι πρόσωπο, να το ενσωματώσουμε και να το συμπιέσουμε. Εάν είστε άνετοι με μια μηχανή εκμάθησης καταλαβαίνετε τι πρόκληση υπάρχει εδώ. Μετά από 15 χρόνια διαβάσαμε την πρώτη ακολουθία,
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. Now, after 15 years -- 15 years after we read the first sequence --
αυτόν τον Οκτώβριο αρχίσαμε να βλέπουμε κάποιες λήψεις. Ήταν μια πολύ συναισθηματική στιγμή. Εδώ βλέπετε ένα αντικείμενο που ήρθε στο εργαστήριό μας. Αυτό είναι ένα πρόσωπο για εμάς. Παίρνουμε το πραγματικό πρόσωπο και μειώνουμε την πολυπλοκότητα επειδή δεν είναι όλα τέλεια στο πρόσωπό σας - πολλά χαρακτηριστικά, ατέλειες και ασυμμετρίες προέρχονται από το πώς ζείτε. Κάνουμε συμμετρικό το πρόσωπο και τρέχουμε τον αλγόριθμό μας. Τα αποτελέσματα, που θα σας δείξω, αποτελούν την πρόβλεψη που κάναμε από το αίμα. (Χειροκρότημα)
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. (Applause)
Περιμένετε λίγο.
Wait a second.
Σε αυτά τα δευτερόλεπτα τα μάτια σας κοιτούν αριστερά και δεξιά συνεχώς και ο εγκέφαλός σας επιθυμεί αυτές οι εικόνες να είναι πανομοιότυπες. Θα σας ζητήσω να κάνετε ακόμα μια άσκηση, για να είμαι ειλικρινής. Παρακαλώ αναζητήστε τις διαφορές, οι οποίες είναι πολλές. Η μεγαλύτερη ποσότητα σήματος προέρχεται από το φύλο, ύστερα πάει η ηλικία, ο Δ.Μ.Σ. και η εθνικότητα ενός ανθρώπου. Η μεγέθυνση κατά τη διάρκεια του σήματος είναι πολύ πιο περίπλοκη. Όμως, αυτό που βλέπετε εδώ, ακόμα και στις διαφορές, σας επιτρέπει να καταλάβετε ότι είμαστε χονδρικά στους σωστούς υπολογισμούς και τους πλησιάζουμε συνεχώς. Ήδη σας ενθουσιάζει. Αυτό είναι ένα άλλο αντικείμενο που έρχεται στο προσκήνιο
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,
και αυτό είναι μια πρόβλεψη. Ένα λίγο μικρότερο πρόσωπο του οποίου δεν πήραμε πλήρη κρανιακή δομή, αλλά μπορεί ακόμα να υπολογιστεί χονδρικά. Αυτό είναι ένα αντικείμενο, που ήρθε στο εργαστήριό μας και αυτή είναι η πρόβλεψή του. Αυτοί οι άνθρωποι δεν έχουν χρησιμοποιηθεί ποτέ στην εκπαίδευση του μηχανήματος. Είναι τα επονομαζόμενα σύνολα επαλήθευσης. Αλλά είναι άνθρωποι που εσείς πιθανώς ποτέ δεν θα πιστέψετε. Μπορείτε να διαβάσετε τις δημοσιεύσεις μας σε επιστημονικά περιοδικά. Όμως, εφόσον είμαστε επί σκηνής, ο Κρις με προκαλεί.
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.
But since we are onstage, Chris challenged me.
Έχω πιθανώς εκτεθεί και προσπάθησα να προβλέψω κάποιον που μπορεί να αναγνωρίζετε. Λοιπόν, μέσα σε αυτό το φιαλίδιο αίματος -και πιστέψτε με, δεν έχετε ιδέα τι έπρεπε να κάνουμε για να έχουμε αυτό το αίμα τώρα, εδώ- σε αυτό το φιαλίδιο αίματος βρίσκεται η ποσότητα βιολογικών πληροφοριών που χρειαζόμαστε για μια πλήρη γονιδιακή αλληλουχία. Απλά χρειαζόμαστε αυτήν την ποσότητα. Τρέχουμε αυτήν την αλληλουχία και θα το κάνω μαζί σας. Ξεκινάμε να στρωματοποιούμε τη γνώση που έχουμε από αυτό. Στο φιαλίδιο με το αίμα προβλέψαμε πως είναι άντρας. Και το αντικείμενο είναι ένας άνδρας. Προβλέπουμε πώς έχει ύψος 1,76μ. Το αντικείμενό μας είναι ένα 1,77μ. Προβλέψαμε ότι ζυγίζει 76 κιλά· το αντικείμενο ζυγίζει 82. Προβλέψαμε την ηλικία του, 38. Το αντικείμενο είναι 35. Προβλέψαμε το χρώμα των ματιών του. Πολύ σκοτεινά. Προβλέψαμε το χρώμα του δέρματος του. Έχουμε σχεδόν τελειώσει. Αυτό είναι το πρόσωπό του. Τώρα, η στιγμή της αποκάλυψης: το αντικείμενο είναι αυτό το άτομο.
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. Now, the reveal moment: the subject is this person.
(Γέλια) Το έκανα σκόπιμα.
(Laughter) And I did it intentionally.
Ανήκω σε μια ιδιαίτερη και ιδιόμορφη εθνικότητα.
I am a very particular and peculiar ethnicity.
Οι νοτιοευρωπαίοι -οι Ιταλοί- ποτέ δεν ταιριάζουν στα πρότυπα. Και ιδίως, αυτή η εθνικότητα είναι μια σύνθετη περίπτωση για το μοντέλο μας. Αλλά υπάρχει και ένα άλλο σημείο. Ένα από αυτά που χρησιμοποιούμε για να αναγνωρίσουμε ανθρώπους δεν θα γραφόταν ποτέ σε ένα γονιδίωμα. Είναι η ελεύθερη θέλησή μας, το πώς φαίνομαι. Όχι το κούρεμά μου, σε αυτή την περίπτωση, αλλά το μούσι μου. Θα σας δείξω σε αυτήν την περίπτωση, τη μεταφορά του -και δεν είναι τίποτα περισσότερο από Photoshop, όχι μοντελοποίηση- το μούσι του αντικειμένου. Αμέσως η ομοιότητα είναι πολύ μεγαλύτερη. Λοιπόν, γιατί το κάναμε αυτό; Σίγουρα δεν το κάναμε για να προβλέψουμε το ύψος
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. So, why do we do this? We certainly don't do it for predicting height
ή να βγάλουμε μια όμορφη εικόνα από το αίμα σας. Το κάνουμε γιατί η ίδια τεχνολογία και η ίδια προσέγγιση, ότι η μηχανή μαθαίνει αυτόν τον κώδικα, μας βοηθά να καταλάβουμε πώς λειτουργούμε, πώς λειτουργεί το σώμα μας, πώς γερνάει το σώμα σας, πώς δημιουργείται η νόσος στο σώμα σας, πώς μεγαλώνει και αναπτύσσεται ο καρκίνος, πώς λειτουργούν τα φάρμακα και αν αυτά έχουν αποτέλεσμα στο σώμα σας. Αυτή είναι μια τεράστια πρόκληση. Αυτή είναι μια πρόκληση που μοιραζόμαστε
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. This is a huge challenge. This is a challenge that we share
με χιλιάδες άλλους ερευνητές σε όλο τον κόσμο. Λέγεται εξατομικευμένη ιατρική. Είναι μια ικανότητα να κινούμαστε από μια στατιστική προσέγγιση, που είναι μια σταγόνα στον ωκεανό, σε μια εξατομικευμένη προσέγγιση, όπου διαβάζουμε όλα αυτά τα βιβλία και κατανοούμε το πώς ακριβώς είστε. Όμως είναι μια ιδιαίτερα πολύπλοκη πρόκληση επειδή σε όλα αυτά τα βιβλία που έχουμε σήμερα γνωρίζουμε απλά ίσως το 2%: 4 βιβλία από περισσότερα από 175. Αυτό δεν είναι το θέμα της ομιλίας μου
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. And this is not the topic of my talk,
επειδή θα μάθουμε περισσότερα. Τα καλύτερα μυαλά στον κόσμο επιλαμβάνονται αυτού του θέματος. Η πρόγνωση θα γίνει καλύτερη, το μοντέλο θα γίνει πιο ακριβές. Και όσο περισσότερο μαθαίνουμε, τόσο πιο πολύ θα βρεθούμε αντιμέτωποι με αποφάσεις τις οποίες δεν είχαμε ποτέ αντιμετωπίσει στο παρελθόν, σχετικά με τη ζωή, το θάνατο, την ανατροφή παιδιών. Είμαστε πολύ κοντά στο να γνωρίσουμε λεπτομέρειες για το πώς λειτουργεί η ζωή.
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. So, we are touching the very inner detail on how life works.
Είναι μια επανάσταση που δεν μπορεί να περιοριστεί στο πεδίο της επιστήμης ή της τεχνολογίας. Πρέπει να γίνει μια παγκόσμια συζήτηση. Πρέπει να αρχίσουμε να σκεφτόμαστε το μέλλον που οικοδομούμε ως ανθρωπότητα. Χρειάζεται να αλληλεπιδράσουμε με δημιουργούς, καλλιτέχνες, φιλόσοφους, με πολιτικούς. Ο καθένας εμπλέκεται γιατί είναι το μέλλον του είδους μας. Χωρίς φόβο, αλλά με την κατανόηση ότι οι αποφάσεις που θα πάρουμε τον επόμενο χρόνο θα αλλάξουν το ρου της ιστορίας για πάντα. Σας ευχαριστώ.
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. Thank you.
(Χειροκρότημα)
(Applause)