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.
Durante los siguientes 16 minutos, voy a hacer un viaje esto es, probablemente, el mayor sueño de la humanidad: entender el código de la vida.
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.
Para mí, todo comenzó hace muchos, muchos años cuando me encontré con la primera impresora 3D. El concepto era fascinante. Una impresora 3D necesita tres elementos: un bit de información, un poco de materia prima, algo de energía, y puede producir cualquier objeto que no estaba allí antes.
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.
Estaba haciendo física, regresaba a casa y me di cuenta de que en realidad siempre conocí una impresora 3D. Y todo el mundo. Fue mi madre.
(Laughter)
(Risas)
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.
Mi mamá toma tres elementos: un poco de información, que está entre mi padre y mi madre, en este caso, materia prima y energía en el mismo medio, que es la comida, y después de varios meses, me produce. Yo no existía antes.
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?
Aparte de la conmoción de mi madre al descubrir que era una impresora 3D, inmediatamente me quedé hipnotizado por esa parte, la primera, la información. ¿Qué cantidad de información se necesita para construir y ensamblar un ser humano? ¿Es mucha? ¿Es poca? ¿Cuántas memorias USB se pueden llenar?
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.
Bueno, yo estaba estudiando física en el inicio y adopté el enfoque de un ser humano como una pieza gigantesca de Lego. Imaginen que los bloques de construcción son pequeños átomos y hay un hidrógeno aquí, un carbono aquí, un nitrógeno aquí. Así, en una primera aproximación, si puedo enumerar el número de átomos que componen un ser humano, puedo construirlo. Se pueden correr algunos números y resulta que es un número bastante sorprendente. Así el número de átomos, el archivo que voy a guardar en mi memoria USB para montar un pequeño bebé, en realidad, llena todo un Titanic de memorias USB... multiplicado 2000 veces. Este es el milagro de la vida. Cada vez que vean a partir de ahora una mujer embarazada, ella ensambla la mayor cantidad de información que se puedan encontrar. Olvídense de datos masivos, olviden todo lo que han oído. Esta es la mayor cantidad de información que existe.
(Applause)
(Aplausos)
But nature, fortunately, is much smarter than a young physicist, 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?
Pero la naturaleza, afortunadamente, es mucho más inteligente que un joven físico, y en cuatro mil millones de años, logró meter esta información en un pequeño cristal que llamamos ADN. Lo encontramos por primera vez en 1950, cuando Rosalind Franklin, una científica increíble, una mujer, tomó una foto. Pero nos constó más de 40 años llegar dentro de una célula humana, sacar este cristal, desenrollarlo, y leerlo por primera vez. El código viene a ser un alfabeto bastante simple, cuatro letras: A, T, C y G. Y para construir un ser humano, necesitan tres mil millones de ellas. Tres mil millones. ¿Cuánto son tres mil millones? En realidad, no tiene ningún sentido como número, ¿verdad?
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.
Así que estaba pensando cómo podría explicarme mejor acerca de lo grande y enorme que es este código. Pero hay... quiero decir, voy a tener un poco de ayuda, y la mejor persona para ayudar a introducir el código en realidad, es el primer hombre que lo secuenció, el Dr. Craig Venter. Así que demos la bienvenida en el escenario, el Dr. Craig Venter.
(Applause)
(Aplausos)
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.
No es el hombre en carne y hueso, pero por primera vez en la historia, este es el genoma de un ser humano específico, impreso página por página, letra por letra: 262 000 páginas de información, 450 kg enviados desde EE. UU. a Canadá gracias a Bruno Bowden, Lulu.com, un start-up, lo hizo todo. Es una hazaña increíble.
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:
Pero esta es la percepción visual de lo que es el código de la vida. Ahora, por primera vez, puedo hacer algo divertido. De hecho, me puedo meter en su interior y leer. Déjenme tomar un libro interesante... como éste. Tengo una anotación; es un libro bastante grande. Solo para que puedan ver lo que es el código de la vida. Miles y miles y miles y millones de letras. Y al parecer tienen sentido. Vamos a una parte específica. Permítanme leerles:
(Laughter)
(Risas)
"AAG, AAT, ATA."
"AAG, AAT, ATA".
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.
Para Uds. suena como letras mudas, pero esta secuencia da el color de los ojos a Craig. Les voy a mostrar otra parte del libro. Esta en realidad es un poco más complicada.
Chromosome 14, book 132:
Cromosoma 14, libro 132:
(Laughter)
(Risas)
As you might expect.
Como podrían esperar.
(Laughter)
(Risas)
"ATT, CTT, GATT."
"ATT, CTT, GATT".
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.
Esto hombre tiene suerte, porque si se pierden solo dos letras en esta posición --2 letras de nuestros tres mil millones-- estarán condenados a una terrible enfermedad: fibrosis quística. No tenemos ninguna cura para ella, no sabemos cómo resolverlo, y está a solo dos letras de diferencia con respecto a lo que somos.
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.
Un libro maravilloso, un libro poderoso, un poderoso libro que me ayudó a entender y mostrarles algo bastante notable. Cada uno de Uds.... lo que me hace ser yo, y Uds., Uds. es solo cerca de cinco millones de estas, medio libro. Para el resto, somos absolutamente idénticos. Quinientas páginas es el milagro de la vida que los hace ser Uds. El resto, todo lo comparten. Pensar en eso de nuevo cuando pensamos que somos diferentes. Esta es la cantidad que compartimos.
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.
Así que ahora que tengo su atención, la siguiente pregunta es: ¿Cómo lo leo? ¿Cómo puedo darle sentido? Por buenos que sean armando muebles suecos este manual de instrucciones es algo que no podrán descifrar en su vida.
(Laughter)
(Risas)
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.
Y así, en 2014, dos TEDsters famosos, Peter Diamandis y el propio Craig Venter, decidieron crear una nueva empresa. Human Longevity nació, con una misión: Intentar todo lo que se puede intentar y aprender todo lo que se puede aprender de estos libros, con un objetivo... hacer realidad el sueño de la medicina personalizada, comprender que cosas deben hacerse para tener una mejor salud y cuáles son los secretos de estos libros.
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.
Un equipo increíble, 40 científicos de datos y muchas, muchas más personas, un placer trabajar con ellos. El concepto es muy simple. Vamos a utilizar una tecnología llamada de aprendizaje automático. Por un lado, tenemos genomas... miles de ellos. Por otro lado, hemos recogido la mayor base de datos de seres humanos: fenotipos, escaneo 3D, RMN... todo lo que se puedan imaginar. En el interior está, en estos dos lados opuestos, está el secreto de la traducción. Y en el medio, construimos una máquina. Construimos una máquina y entrenamos a una máquina --bueno, no exactamente una máquina, muchas, muchas máquinas--- para tratar de comprender y traducir el genoma en un fenotipo. ¿Qué son esas letras, y qué es lo que hacen? Es un enfoque que puede ser utilizado para todo, pero usarlo en genómica es particularmente complicado. Poco a poco fuimos creciendo y queríamos construir diferentes retos. Empezamos por el principio, desde los rasgos comunes. Los rasgos comunes son cómodos porque son comunes, todo el mundo los tiene.
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.
Así que empezamos a hacer nuestras preguntas: ¿Podemos predecir la altura? Podemos leer los libros y predecir su altura? Bueno, en realidad se puede, con cinco cm de precisión. IMC está bastante conectado a su estilo de vida, pero todavía podemos, podemos conseguir un estimado, 8 kg de precisión. ¿Podemos predecir el color de ojos? Sí, podemos. 80 % de precisión. ¿Podemos predecir el color de la piel? Sí podemos, 80 % de exactitud. ¿Podemos predecir la edad? Podemos, pues al parecer, el código cambia durante a vida. Se vuelve más corto, se pierden piezas, se agregan. Leemos las señales, y hacemos un modelo.
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.
Ahora, un reto interesante: ¿Podemos predecir un rostro humano? Es un poco complicado, porque un rostro se encuentra disperso entre millones de letras. Y una cara humana no es un objeto muy bien definido. Tuvimos que construir todo un nivel de esto para aprender y enseñar a una máquina lo que es una cara, e incrustar y comprimirlo. Si se sienten cómodo con el aprendizaje de máquina, entenderán el desafío aquí.
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.
Hoy, tras 15 años , 15 años después de haber leído la primera secuencia, este mes de octubre, empezamos a ver algunas señales. Y fue un momento muy emotivo. Lo que se ve aquí es un sujeto que entró a nuestro laboratorio. Esta es una cara para nosotros. Así que tomamos la verdadera cara de un sujeto, redujimos la complejidad, porque no todo está en su cara, un montón de características y defectos y asimetrías provienen de su vida. Hicimos simétrica la cara, y corrimos nuestro algoritmo. Los resultados que les muestro ahora, son la predicción que tenemos de la sangre.
(Applause)
(Aplausos)
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.
Esperen un segundo. En estos segundos, sus ojos están viendo, izquierda y derecha, izquierda y derecha, y su cerebro quiere que esas imágenes sean idénticas. Les pido que hacer otro ejercicio. Para ser honestos, por favor, busquen las diferencias, que son muchas. La mayor cantidad de señales vienen del género, luego la edad, el IMC, el componente étnico de un ser humano. Y la ampliación de más de esa señal es mucho más complicado. Pero lo que se ve aquí, incluso en las diferencias, les permite entender que estamos en el camino correcto, que nos estamos acercando. Y ya les están dando algunas emociones.
This is another subject that comes in place, 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.
Este es otro tema que viene, y esto es una predicción. Una pequeña cara más pequeña, no tuvo la estructura craneal completa, pero aun así, es una aproximación. Este es un sujeto que llega a nuestro laboratorio, y esta es la predicción. Estas personas nunca se han visto en el entrenamiento de la máquina. Son los llamados grupo "externos". Pero son personas que Uds. probable nunca creerían que existieran. Estamos publicando todo en una revista científica, que pueden leer.
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.
Pero ya que estamos aquí, Chris me desafió. Probablemente me expongo y trata de predecir alguien que puedan reconocer. Por lo tanto, en este frasco de sangre --y créanme, no tienen ni idea lo que tuvimos que hacer para tener esta sangre aquí, ahora-- en este vial de sangre está la cantidad de información biológica que necesitamos para hacer una secuencia completa del genoma. Solo necesitamos esta cantidad. Nos encontramos con esta secuencia, y voy a hacerlo con Uds. Y empezamos a exponer toda la comprensión que tenemos. En el frasco de sangre, predijimos que es masculino. Y el sujeto es un varón. Nuestra predicción es que él es de 1 m y 76 cm. El sujeto es de 1 m y 77 cm. Predijimos que él es 76; el sujeto es de 82. Predecimos su edad, 38 años. El sujeto es de 35. Predecimos su color de ojos. Demasiado oscuro. Predecimos su color de piel. Estamos casi allí. Esa es la cara.
Now, the reveal moment: the subject is this person.
Ahora, el momento de revelación: el sujeto es esta persona.
(Laughter)
(Risas)
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.
Lo hice intencionalmente. Soy de una etnia muy particular y peculiar. Sur de Europa, italianos, que nunca encajan en los modelos. Este en particular, que la etnicidad es un caso complejo para nuestro modelo. Pero hay otro punto. Una de las cosas que usamos mucho para reconocer a las personas nunca será escrita en el genoma. Es nuestro libre albedrío, que es como luzco. No es mi corte de pelo en este caso, sino mi corte de barba. Voy a mostrarles, en este caso, transfiero --no es más que Photoshop, no modelado-- la barba sobre el sujeto. Y de inmediato, tenemos mucha, mucha mejor sensación.
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.
¿Por qué hacemos esto? Desde luego, no lo hacemos para predecir la altura o tomar una foto hermosa de su sangre. Lo hacemos porque la misma tecnología y el mismo enfoque, el aprendizaje de las máquinas de este código, nos ayudará a entender cómo funcionamos, cómo funciona nuestro cuerpo, cómo envejece nuestro cuerpo, cómo se genera la enfermedad en nuestro cuerpo, cómo crece y se desarrolla nuestro cáncer, cómo funcionan los medicamentos y si funcionan en nuestro cuerpo.
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.
Este es un desafío enorme. Este es un reto que compartimos con miles de otros investigadores de todo el mundo. Se llama la medicina personalizada. Es la capacidad de pasar de un enfoque estadístico donde eres un punto en el océano, a un enfoque personalizado, donde leemos todos estos libros y logramos una comprensión de exactamente cómo somos. Pero se trata de un reto muy complicado, debido a que de todos estos libros, a hoy, solo sabemos probablemente el 2 %: 4 libros de más de 175.
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.
Este no es el tema de mi charla, porque vamos a aprender más. Están las mejores mentes del mundo en este tema. La predicción va a mejorar, el modelo se hará más preciso. Y cuanto más aprendemos, más nos confrontamos con decisiones que nunca tuvimos que enfrentar antes acerca de la vida, acerca de la muerte, acerca de la paternidad.
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.
Por lo tanto, estamos tocando el detalle muy interno de cómo funciona la vida. Y es una revolución que no puede ser confinada en el dominio de la ciencia o la tecnología. Debe ser una conversación global. Hay que empezar a pensar en el futuro que estamos construyendo como humanidad. Tenemos que interactuar con creativos, con artistas, con los filósofos, con los políticos. Todo el mundo está implicado, porque es el futuro de nuestra especie. Sin miedo, pero con el entendimiento de que las decisiones que tomamos en el próximo año cambiarán el curso de la historia para siempre.
Thank you.
Gracias.
(Applause)
(Aplausos)