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.
Ces 16 prochaines minutes, je vais vous faire découvrir ce qui est probablement le plus grand rêve de l'humanité : comprendre le code de la vie.
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.
Pour moi, tout a commencé il y a de nombreuses années, quand j'ai vu ma première imprimante 3D. Le concept était fascinant. L'imprimante 3D a besoin de trois choses : un peu d'informations, de la matière première, de l'énergie, et elle peut créer n'importe quel objet qui n'existait pas avant.
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.
J'étudiais la physique et, en rentrant chez moi, j'ai réalisé que j'avais en réalité toujours connu une imprimante 3D. On en connaît tous une. C'était ma mère !
(Laughter)
(Rires)
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.
Ma mère a pris trois choses : un peu d'informations, partagées entre mon père et ma mère dans ce cas, de la matière première et de l'énergie issues d'une même source, la nourriture, et après plusieurs mois, elle m'a créé, et je n'existais pas avant.
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?
En dehors du choc de découvrir que ma mère était une imprimante 3D, j'ai immédiatement été fasciné par cet élément, le premier, l'information. Quelle quantité d'informations est requise pour fabriquer et composer un humain ? En faut-il beaucoup ? Un peu ? Combien de clés USB doit-on remplir ?
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.
J'étudiais la physique au départ et je voyais l'être humain grossièrement comme une énorme construction de Lego. Imaginez que les blocs Lego sont de petits atomes, et qu'il y en a un d'hydrogène ici, un de carbone là et un d'azote ici. En première approximation, si je peux dresser la liste du nombre d'atomes qui composent un être humain, je peux le fabriquer. Vous pouvez faire quelques calculs et le résultat s'avère être un nombre astronomique. Le nombre d'atomes, le fichier que je vais sauvegarder dans ma clé USB pour fabriquer un petit bébé, va en fait remplir un Titanic rempli de clés USB... multiplié par 2000. C'est le miracle de la vie. Maintenant, chaque fois que vous verrez une femme enceinte, dites-vous qu'elle assemble la plus grande quantité d'informations jamais vue. Oubliez le big data, oubliez tout ce que vous connaissez. C'est la plus grande quantité d'informations existante.
(Applause)
(Applaudissements) Mais...
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?
La nature est, heureusement, bien plus intelligente qu'un jeune physicien, en quatre milliards d'années, elle a réussi à faire rentrer ces informations dans un petit cristal appelé ADN. Nous l'avons vu pour la première fois en 1950 lorsque Rosalind Franklin, une scientifique incroyable, l'a pris en photo. Mais il aura fallu plus de 40 ans pour rentrer dans une cellule humaine, extraire ce cristal, le dérouler et le lire pour la première fois. Le code s'avère être un alphabet plutôt simple, quatre lettres : A, T, C et G. Et pour fabriquer un humain, il en faut trois milliards. Trois milliards. Combien font trois milliards ? C'est difficile d'imaginer ce nombre, n'est-ce pas ?
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.
Je me suis demandé comment représenter la taille et l'énormité de ce code. Mais... je vais avoir besoin d'un peu d'aide, et la meilleure personne pour m'aider à vous présenter le code est en fait le premier homme à l'avoir séquencé, le docteur Craig Venter. Alors, bienvenue sur scène, Dr Craig Venter.
(Applause)
(Applaudissements)
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.
Pas l'homme en chair et en os. Mais pour la première fois dans l'histoire, voici le génome d'un humain spécifique, imprimé page par page, lettre par lettre : 262 000 pages d'informations, 450 kg, expédiées des États-Unis au Canada, grâce à Bruno Bowden de Lulu.com, une start-up, qui a tout fait. C'était une prouesse incroyable.
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:
Ceci est la représentation visuelle de ce qu'est le code de la vie. Maintenant, pour la première fois, je peux m'amuser. Je peux vraiment aller à l'intérieur et lire. Alors, laissez-moi choisir un livre intéressant... Celui-ci par exemple. J'ai une note, c'est un livre assez gros. Juste pour que vous puissiez voir ce qu'est le code de la vie. Des milliers et des milliers et des milliers et des millions de lettres. Et apparemment, elles disent quelque chose. Allons à un passage spécifique. Je vais vous le lire :
(Laughter)
(Rires)
"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.
Pour vous, ces lettres ne disent rien, mais cette séquence donne la couleur des yeux de Craig. Je vais vous en montrer un autre passage. C'est un peu plus compliqué.
Chromosome 14, book 132:
Chromosome 14, livre 132 :
(Laughter)
(Rires)
As you might expect.
comme on peut s'y attendre.
(Laughter)
(Rires)
"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.
Cet humain a de la chance, car si vous ratiez juste deux lettres à cet endroit... deux lettres sur trois milliards... il serait condamné à une maladie terrible : la fibrose cystique. Il n'y aucun remède ni solution, et seules deux lettres nous en séparent.
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 livre génial, un livre puissant, un livre puissant qui m'a aidé à comprendre quelque chose de remarquable, que je vais vous montrer. Chacun d'entre vous, ce qui constitue ma personne et la vôtre, consiste juste en cinq millions de lettres, la moitié d'un livre. Sur le reste, nous sommes tous absolument identiques. 500 pages, c'est le miracle de la vie que vous êtes. Le reste, nous le partageons tous. Alors rappelez-vous de cela, quand vous pensez être différent. Voilà le volume que nous avons en commun.
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.
Maintenant que j'ai votre attention, la question suivante est : comment le lire ? Comment le comprendre ? Quand bien même vous seriez doués pour monter des meubles suédois... Ce manuel d'instruction ? Vous n'arriverez jamais à le déchiffrer.
(Laughter)
(Rires)
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.
Alors en 2014, deux célèbres intervenants TED, Peter Diamandis et Craig Venter lui-même, ont décidé de monter une nouvelle entreprise. Human Longevity était née, avec une mission : essayer tout ce qui est possible, apprendre tout ce que l'on peut apprendre de ces livres. Avec un objectif : rendre réalisable le rêve de la médecine personnalisée, comprendre ce que nous devrions faire pour être en meilleure santé et quels sont les secrets renfermés dans ces livres.
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.
Une équipe fantastique, 40 scientifiques et beaucoup d'autres personnes, un plaisir d'être avec eux. Le concept est en fait très simple. Nous allons utiliser une technologie : l'apprentissage par la machine. D'un côté, nous avons des génomes, par milliers. De l'autre, on a assemblé la plus grande base de données sur l'humain : phénotypes, scan 3D, RMN, tout ce à quoi vous pouvez penser. Au sein de ces deux facettes bien distinctes se trouve le secret de la traduction. Au centre, on a construit une machine. On a construit une machine que l'on entraîne... pas seulement une machine, mais de très nombreuses machines, pour essayer de comprendre le génome et de le traduire en phénotype. Que sont ces lettres et quelles sont leurs fonctions ? C’est une approche qui peut être utilisée pour tout, mais l'utiliser en génomique est particulièrement compliqué. Petit à petit, on se développe et cherche différents défis. On a commencé avec les traits communs. Les traits communs sont confortables car ils sont communs, tout le monde les a.
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.
On a donc commencé par se poser cette question : Peut-on prédire la taille ? Peut-on lire le livre et prédire la taille ? Eh bien, en fait, on le peut, avec une précision de 5 cm. L'IMC est très liée à notre style de vie, mais on y arrive quand même, avec 8 kg de précision. Prédire la couleur des yeux ? Oui, on le peut. Avec 80 % d'exactitude. Peut-on prédire la couleur de la peau ? Oui, avec 80 % d'exactitude. Peut-on prédire l'âge ? Oui, puisqu'apparemment, le code change au cours de la vie. Il se raccourcit, perd des bouts, reçoit des ajouts. On lit le signal et on crée le modèle.
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.
Autre défi intéressant : peut-on prédire la forme d'un visage ? C'est un peu compliqué, car le visage est dispersé parmi des millions de ces lettres. Un visage humain n'est pas un objet très bien défini. Il faut donc en reconstruire un pan entier pour faire apprendre à la machine ce qu'est un visage, l'intégrer et le compresser. Si vous connaissez l'apprentissage par la machine, vous comprenez le défi qu'il y a à relever ici.
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.
Après 15 années, 15 années après avoir lu le premier séquençage, en octobre dernier, nous avons commencé à voir certains signaux. Et ce fut un moment très émouvant. Ce que vous voyez ici est un sujet venu dans notre labo. C'est un visage pour nous. On a pris le vrai visage du sujet et on l'a simplifié, car tout n'est pas dans le visage, beaucoup de caractéristiques, de défauts et d'asymétries résultent de votre vie. On a symétrisé le visage et on a fait tourner l'algorithme. Le résultat que je vous montre maintenant, c'est la prédiction obtenue grâce au sang.
(Applause)
(Applaudissements)
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.
Attendez un peu. En ce moment, vos yeux regardent, de gauche à droite, de gauche à droite, et votre cerveau veut que ces images soient identiques. Je vais donc vous demander de faire un autre exercice, cherchez les différences, qui sont nombreuses. Le plus grand nombre de signaux vient du genre, ensuite vient l'âge, l'IMC, la composante ethnique de la personne. Et ensuite, ça se complique de plus en plus. Mais ce que vous voyez ici, même les différences, vous laisse comprendre que vous tenez le bon bout, que vous vous rapprochez et que ça vous donne déjà des émotions. Voici un autre sujet qui est venu,
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.
et ceci est la prédiction. Un visage un peu plus petit, nous n'avons pas la structure crânienne complète. mais tout de même, c'est assez proche. Voici un sujet qui est venu à notre labo, et voici la prédiction. Ces gens n'ont jamais été vus pendant l'entraînement de la machine. On les appelle « échantillon caché ». Mais on ne peut pas trop se fier à ces gens non plus. On publie tout dans les revues scientifiques, vous pouvez le lire.
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.
Quitte à être sur scène, Chris m'a lancé un défi. J'ai probablement pris un risque et j'ai essayé de prédire quelqu'un que vous reconnaitrez peut-être. Dans cette fiole de sang, croyez-moi, vous n'avez pas idée de ce que l'on a dû faire pour avoir ce sang ici, dans cette fiole de sang se trouve la quantité d'information biologique nécessaire pour un séquençage complet du génome. Nous avons juste besoin de cette quantité. Nous avons analysé cette séquence, et je vais le faire avec vous. Et nous avons commencé à empiler toutes les connaissances que nous avions. Dans cette fiole de sang, nous avons prédit que c'était un homme. Et le sujet était un homme. Nous avons prédit qu'il mesurait 1,76 m. Il mesure en fait 1,77 m. Nous avons prédit qu'il faisait 76 kg, il en fait 82. Nous avons prédit son âge : 38 ans. Le sujet a 35 ans. Nous avons prédit la couleur de ses yeux. Trop foncé. Nous avons prédit la couleur de sa peau. On y est presque. Voici son visage.
Now, the reveal moment: the subject is this person.
Maintenant, le moment de vérité : le sujet est cette personne.
(Laughter)
(Rires)
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.
Et je l'ai fait intentionnellement. Je suis d'une ethnicité très particulière. Européens du sud, Italiens, les modèles ne correspondent jamais. C'est particulier, cette ethnicité est un cas complexe pour notre modèle. Mais, il y a encore autre chose. L'une des choses que l'on utilise beaucoup pour reconnaître les gens n'est jamais écrite dans le génome. C'est notre libre arbitre, ce dont on a l'air. Ici, pas ma coupe de cheveux, mais ma barbe. Je vais vous montrer, je vais juste la transférer, ce n'est que du Photoshop, pas de modélisation, la barbe du sujet. Et immédiatement, on arrive bien mieux à me reconnaitre.
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.
Pourquoi fait-on donc ça ? On ne le fait certainement pas pour prédire la taille, ou avoir une belle image à partir de votre sang. On le fait car la même technologie et la même approche, l'apprentissage par la machine pour ce code, nous aide à comprendre comment nous fonctionnons, comment votre corps fonctionne, comment votre corps vieillit, comment les maladies se déclarent dans votre corps, comment votre cancer grandit et se développe, comment les médicaments marchent, et s'ils fonctionnent dans votre corps.
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.
C'est un sérieux défi. C'est un défi que l'on partage avec des milliers d'autres chercheurs de par le monde. C'est la médecine personnalisée. C'est la faculté de partir d'une approche statistique où l'on est juste une goutte dans l'océan, à une approche personnalisée, où nous lisons tous ces livres et nous arrivons à comprendre exactement comment vous êtes. Mais c'est un défi particulièrement compliqué, parce que de tous ces livres, à ce jour, on ne connaît probablement que 2 % : quatre livres sur plus 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.
Et ce n'est pas le sujet de mon intervention, car on en saura plus à l'avenir. Les meilleurs cerveaux de la planète travaillent sur ces sujets. Les prédictions vont s'améliorer, le modèle va devenir plus précis. Et plus on apprendra, plus l'on se retrouvera devant des choix que nous n'avons jamais eus à faire avant sur la vie, sur la mort, sur l'éducation parentale.
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.
Nous touchons donc aux détails intimes du fonctionnement de la vie. Et c'est une révolution qui ne peut pas être confinée au domaine de la science ou des technologies. Ceci doit être une conversation globale. Nous devons réfléchir à l'avenir que nous construisons tous. Nous devons interagir avec les créateurs, les artistes, les philosophes et les politiciens. Chacun est impliqué car il s'agit de l'avenir de notre espèce. Sans peur, mais en comprenant que les décisions que nous prendrons durant l'année à venir changeront pour toujours le cours de l'histoire.
Thank you.
Merci.
(Applause)
(Applaudissements)