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.
A következő 16 percben utazásra hívom önöket, amely talán az emberiség legnagyobb álma: az élet kódjának megértése.
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.
Számomra minden régen kezdődött, amikor az első 3D-nyomtatót megláttam. Az ötlet elbűvölő volt. A 3D-nyomtatónak három dolog kell: egy kevés információ, némi nyersanyag és némi energia, és így bármilyen új tárgyat elő tud állítani.
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.
Tanultam fizikát, és ahogy hazatértem, rájöttem, hogy voltaképpen mindig is ismertem egy 3D-nyomtatót. De mindenki ismeri. A mamámról van szó.
(Laughter)
(Nevetés)
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.
A mamámnak három összetevő kell: egy kevés információ, ez esetben a papám és őközötte, nyersanyagok és energia ugyanabban a közegben, amelyet ételnek hívunk, és pár hónap múlva én le vagyok gyártva. Korábban nem léteztem.
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?
Azon a megdöbbenésen túlmenően, hogy a mamám egy 3D-nyomtató, rögtön megigézett közülük az első, az információ. Mennyi információra van szükség egy ember megalkotásához? Sok az, vagy kevés? Hány USB-adathordozóra fér rá?
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.
Valaha tanultam fizikát, és az embert megközelítőleg egy óriási Legónak tekintettem. Képzeljük el az épület tégláit piciny atomoknak, itt a hidrogén, itt a szén, itt a nitrogén. Első közelítésben, ha kilistázhatom az embert alkotó atomok számát, föl tudom építeni. Futtathatunk egy pár számot, és mellbevágó mennyiség jön ki. Azoknak az atomoknak a száma, a fájl, amelyet egy csecsemő összeállításához rögzítenem kell, annyi pendrive-on férne el, amennyi megtöltene 2000 Titanicot. Ez az élet csodája. Ezután ha egy állapotos nőt látnak, tudjanak róla, hogy a kismama épp annyi információt rak össze, amennyit még nem is láttak. Verjék ki a fejükből a big datát, és amit róla hallottak. Ez a legnagyobb mennyiségű létező infó.
(Applause)
(Taps)
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?
De szerencsére a természet okosabb az ifjú fizikusnál, és 4 milliárd év alatt sikerült az infót becsomagolnia egy DNS-nek nevezett kristályba. Először 1950-ben láttuk, amikor Rosalind Franklin, egy rendkívül tehetséges kutatónő lefényképezte. De több mint 40 évig tartott, amíg végre rábökhettünk az emberi sejtre, és első ízben kihámozhattuk, kigöngyölhettük belőle, és elolvashattuk e kristályt. A kód elég egyszerű ábécének látszik, négy betű: A, T, C és G. Egy ember összeállításához 3 milliárdnyira van szükségünk. Három milliárd. Mennyi az a 3 milliárdnyi? Fogalmuk sincs, mekkora szám, ugye?
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.
Törtem a fejem, hogyan tudnám megértetni, milyen óriási mennyiségű kód ez. Most egy kis segítséget kérek; s erre nincs alkalmasabb, hogy bemutassa a kódot, mint az, aki elsőként szekvenálta a kódot, Dr. Craig Venter. Üdvözlöm a színen, Dr. Craig Venter.
(Applause)
(Taps)
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.
Nem hús-vér ember, hanem a történelem során először, ez egyvalaki genomja, amely oldalról oldalra, betűről betűre van kinyomtatva: 262 ezer oldalnyi információ, 450 kiló, amelyet az USA-ból Kanadába szállítottak a Lulu.com start-upos Bruno Bowdennek köszönhetően, ő csinált mindent. Elképesztő hőstett volt.
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:
Szemmel is érzékelhetően ez itt az élet kódja. Most pedig, első ízben, mutatok valami furcsát. Rámutathatok valamire, és elolvashatom. Kiveszek egy érdekes kötetet... pl. ezt. Meg kell jegyeznem, hogy ez elég nagy könyv. De csak azért, hogy lássák, mi az élet kódja. Betűk ezrei és ezrei, több millió betű. Kétségtelenül van értelmük. Nézzünk egy konkrét részt. Fölolvasom önöknek:
(Laughter)
(Nevetés)
"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.
Önöknek ezek semmitmondó betűknek tűnnek, de ez a szekvencia adja meg Craig szemének a színét. Mutatok egy másik részt a kötetekből. Egy kissé bonyolultabbat.
Chromosome 14, book 132:
14. sz. kromoszóma, 132. kötet:
(Laughter)
(Nevetés)
As you might expect.
Ahogy számíthattak rá...
(Laughter)
(Nevetés)
"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.
Ez az ember boldog, mert ha csak 2 betű hiányzik erről a helyről, 2 betű a 3 milliárdból, szörnyű betegségre lenne kárhoztatva: a cisztás fibrózisra. Nem gyógyítható, nem tudunk rá megoldást, és csak két betű eltérése miatt.
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.
Csodálatos könyv, nagyszerű könyv, tekintélyes könyv, ami hozzásegített, hogy megértsek és megmutassak valami igazán érdekeset. Mindannyiunknak ennyi kell, hogy azzá legyünk, akik vagyunk: ötmillió betű, egy fél könyv. Ettől eltekintve teljesen egyformák vagyunk. Ötszáz oldal – az életük csodája. A többi – közös bennünk. Erre gondoljanak megint, amikor a különbözőségünkről esik szó. Ennyi közös van bennünk.
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.
Most, hogy már figyelnek rám, a következő kérdés: Hogy olvasom a könyvet? Hogyan értelmezem? Bármilyen ügyesek legyenek svéd bútorok összeszerelésében, ezt a kézikönyvet egész életükben sem tudnák feltörni.
(Laughter)
(Nevetés)
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.
2014-ben két híres TED-es, Peter Diamandis és Craig Venter új céget alapított. Létrejött a Human Longevity, amelynek egy feladata volt: megpróbálni mindent, amit lehet, és megismerni mindent, amit ezekből a könyvekből lehet – egyetlen célból: a személyre szabott gyógyítás álmának megvalósításáért, hogy megértsük, mi a teendőnk egészségünk javítása érdekében, és miben áll e könyvek titka.
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.
Egy nagyszerű csapat, 40 adattudós, és még sokan mások, öröm velük dolgozni. Az elgondolás nagyon egyszerű. Az ún. gépi tanulás technológiáját fogjuk használni. Egyfelől több ezer genomunk van. Másrészt, az emberi faj legnagyobb adatbázisát gyűjtöttük össze: fenotípusokat, 3D-szkennelést, mágneses magrezonanciát, bármi elképzelhetőt. Belül, a két ellentétes oldalon van a fordítás titka. Középre építjük be a gépet. Építünk egy gépet, és tanítjuk – nem is egy gépet, hanem nagyon sokat –, hogy megértse és lefordítsa a fenotípusban lévő genomot. Mik ezek a betűk, és mi a szerepük? E módszert minden területen alkalmazhatjuk, de a genomikai alkalmazása elég bonyolult. Lassacskán növekedtünk, és más feladatba is bele akartunk fogni. Eleinte a közös vonásokkal foglalkoztunk. A közös vonásokban az a jó, hogy közösek, mindenkiben megvannak.
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.
Kezdtük sorolni a kérdéseinket: A könyvek alapján megjósolhatjuk valaki testmagasságát? A válasz: igen, ötcentis pontossággal. A testtömeg-index jócskán függ az életmódunktól, de kb. nyolckilós pontossággal mégis megjósolható. És a szemünk színe? Megjósolható, 8%-os pontossággal. Hát a bőrszín megjósolható? 80%-os pontossággal. És az életkort? Meg lehet, mert a kód életünk során változik. Megrövidül, elveszít részeket, betoldásokkal bővül. Elolvassuk a jeleket, és modellt alkotunk.
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.
Még egy érdekes feladat: Megjósolhatjuk az emberi arcot? Ez egy kissé bonyolult, mert az emberi arc jellemzői eloszlanak a milliónyi betű közt. Ráadásul, az arc nem egyértelműen meghatározott tárgy. Sorba kellett szednünk a jellemzőit, hogy magunk megtanuljuk, és megtanítsuk a gépnek, miben áll az arc lényege. Ha már a kisujjukban van a gépi tanulás, akkor értik meg igazán, mekkora feladat ez.
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.
Idén októberben, 15 évvel azután, hogy elolvastuk az első szekvenciát, kezdtünk megérteni bizonyos jeleket. Ez nagyon érzelemteli pillanat volt. Ő az egyik kísérleti alanyunk. Ez számunkra egy arc. Vesszük az alany arcát, leegyszerűsítjük, mert nem minden jellemzője, pl. sok vonása, hibája, aszimmetriája adódik az életéből. Szimmetrikussá tesszük, futtatjuk az algoritmusunkat. Az eredmény – rögtön megmutatom – a vér alapján jósolható meg.
(Applause)
(Taps)
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.
Egy pillanat. E pillanatokban szemükkel összevetik a bal és a jobb oldalt, agyuk pedig azt szeretné, hogy a képek egyezzenek meg. Kérem önöket, végezzenek el egy másik gyakorlatot. Keressék meg a különbségeket. Sok van belőlük. A legtöbb vonás az alany neméből adódik, a többi a korából, testtömeg- indexéből és etnikumából. E jelek erősítése sokkal bonyolultabb. De amit itt látnak, az eltérések ellenére, tudtunkra adja, hogy jó a közelítésünk, a jóslat pontosabbá válik. S ez már érzelmeket visz a dologba.
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.
Ő egy másik alany, ez pedig a jóslat. Az arc valamivel kisebb, nem jutottunk el ugyan a teljes koponyaszerkezetig, de a közelítés mégis jó. Ez a kísérleti alanyunk, ez pedig a jóslat. A gép fölkészítése során ők soha nem szerepeltek. Ők a tartalékcsoport tagjai. De nekik valószínűleg soha nem hinnének. Mindent tudományos lapokban teszünk közzé, minden elolvasható.
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.
De mióta a színpadon vagyunk, Chris folyton cikiz, hogy nyilván lebuktam, mert olyanokról adok közre jóslatot, akit önök valószínűleg fölismernek. E vérrel teli kémcsőben... – higgyék el, fogalmuk sincs, mi minden kellett, hogy ezt a vért eljuttathassuk ide –, ...e vérrel teli kémcsőben biológiai információ van, ami a teljes genomszekvenáláshoz kell. Ennyire van szükségünk. Elvégeztük a szekvenálást, és most önökkel együtt fogom csinálni. Az összes tudásunkat fölhasználjuk. A kémcső tartalma alapján azt jósoltuk, hogy férfiről van szó. A személy egy férfi. Azt jósoltuk, hogy 176 cm magas. A férfi 177 centiméter magas. Azt jósoltuk, hogy 76 kilós; az alany 82 kilós. Azt jósoltuk, hogy 38 éves. Az alany 35 éves. Megjósoltuk a szeme színét. Túl sötét. Megjósoltuk a bőrszínét. Majdnem eltaláltuk. Ilyen az arca.
Now, the reveal moment: the subject is this person.
Eljött az igazság pillanata: ő az alany.
(Laughter)
(Nevetés)
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.
Szándékosan csináltam. Nagyon különös és furcsa etnikumú vagyok. Dél-európai, olasz, mi soha nem illünk a modellekbe. Azért különös, mert az etnikum a modellünk komplex határesete. Van még valami. Az emberek azonosítására gyakran használt egyik tényező soha nem lesz beleírva a genomba. Ez a szabad döntésünk, hogy hogyan nézzünk ki. Ez esetben nem a frizurám, hanem a szakállviseletem. Megmutatom, ez esetben átteszem... nem modellezek, csupán a Photoshopot használom, és a szakáll már ott az alanyon. Rögtön sokkal jobban érezzük magunkat.
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.
Miért csináljuk? Biztos nem azért, hogy megjósoljuk a testmagasságot, vagy a vérmintájukat gyönyörű fotóvá alakítsuk. Azért csináljuk, mert e módszer, e technológia, e kód gépi tanulása segít megérteni a működésünket, testünk működését, testünk öregedését, hogyan keletkeznek bennünk a betegségek, hogyan nő és fejlődik ki a rák, hogyan hatnak a gyógyszerek, és hatnak-e a szervezetünkre.
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.
Ez óriási feladat. Ezen a feladaton dolgozunk több ezer más kutatóval világszerte. Ezt hívják személyre szabott gyógyításnak. Ez lehetőség, hogy elmozduljunk a statisztikai módszertől, amelyben csepp vagyok a tengerben, a személyre szabott módszer irányába, amelyben kiolvassuk ezeket a könyveket, és megértjük, milyenek is vagyunk. Ám ez nagyon összetett feladat, mert ma ezeknek a könyveknek talán csak 2%-át ismerjük: 4 könyvet a több mint 175 közül.
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.
Ez nem tárgya az előadásomnak, mert majd többet fogunk tudni róla. A világ legjobb koponyái foglalkoznak ezzel. A jóslás följavul, a modell pontosabb lesz. Minél többet tanulunk, annál inkább olyan döntésekre kényszerülünk, amelyekkel eddig soha nem szembesültünk: az életről, a halálról, s arról, mit tesz szülőnek lenni.
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.
Az élet működésének legbelső bugyrait érintjük. Ez a forradalom nem korlátozható a tudomány vagy a technika birodalmára. Erről világszerte párbeszédet kell folytatnunk. El kell gondolkodnunk a jövőről, amelyet mint emberiség építünk. Tárgyalnunk kell alkotókkal, művészekkel, filozófusokkal, politikusokkal. Mindenkire számítunk, mart fajunk jövőjéről van szó. Félelem nélkül, de értőn, hogy a jövőre hozott döntések örökre megváltoztatják a történelem irányát.
Thank you.
Köszönöm.
(Applause)
(Taps)