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.
Nei prossimi 16 minuti, vi condurrò in un viaggio che è probabilmente il più grande sogno dell'umanità: comprendere il codice della vita.
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.
Per me tutto iniziò molti anni fa, quando incontrai la prima stampante 3D. Il concetto era affascinante. A una stampante 3D bastano tre elementi - un po' di informazione, un po' di materia prima e un po' di energia - per creare qualsiasi oggetto prima inesistente.
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.
Studiavo fisica, e mentre tornavo a casa mi resi conto che in realtà avevo sempre conosciuto una stampante 3D. Tutti la conoscono. Era mia mamma.
(Laughter)
(Risate)
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.
Mia mamma ha usato tre elementi: un po' di informazione, in questo caso sia sua che di mio padre, materia prima ed energia nello stesso supporto, cioè cibo, e dopo qualche mese produce me. Che non esistevo prima.
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?
Quindi al di là dello shock di mia madre quando ha scoperto di essere una stampante 3D, sono stato catturato fin da subito dal primo elemento, l'informazione. Quanta informazione serve per creare e assemblare un essere umano? Ne serve tanta? Ne basta poca? Quante chiavette USB potremmo riempire?
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.
All'inizio delle ricerca stavo ancora studiando fisica e ho approssimato un essere umano a un gigantesco pezzo di Lego. Immaginate che i mattoni da costruzione siano piccoli atomi: un idrogeno qui, un carbonio qui, un azoto qui. Come prima approssimazione, se riesco ad elencare il numero di atomi che compongono un essere umano, lo posso costruire. Se fate due conti, il numero che viene fuori è strabiliante. Il numero di atomi, il file che salverò sulla penna USB per assemblare un bebè, riempirebbe un intero Titanic di chiavette -- moltiplicato per 2.000. Questo è il miracolo della vita. D'ora in poi, davanti a una donna incinta, notatelo: sta assemblando la più grande mole di dati che abbiate mai incontrato. Dimenticate i big data, e qualsiasi cosa abbiate mai sentito. È questa la più grande quantità di informazione che esista.
(Applause)
(Applausi)
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?
Ma la natura, per fortuna, è molto più intelligente di un giovane fisico, e in 4 miliardi di anni è riuscita a concentrare questa informazione in un piccolo cristallo, che chiamiamo DNA. L'abbiamo visto per la prima volta nel 1950, quando Rosalind Franklin, una brillante scienziata, lo fotografò. Ma abbiamo impiegato più di 40 anni per poter finalmente curiosare dentro una cellula umana, estrarre il cristallo, srotolarlo e leggerlo per la prima volta. Il codice si è rivelato un alfabeto piuttosto semplice, composto da quattro lettere: A, T, C e G. Per costruire un essere umano, ne servono tre miliardi. Tre miliardi. Quanti sono tre miliardi? Non ha alcun senso come numero, vero?
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.
Stavo pensando a un modo di comunicare meglio, di farvi capire quando enorme sia questo codice. Ma c'è un modo -- capiamoci, mi servirà un po' di aiuto, e la persona perfetta per aiutarmi a presentarvi il codice è il primo uomo che l'ha sequenziato, Dr. Craig Venter. Benvenuto sul palco, Dr. Craig Venter.
(Applause)
(Applausi)
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.
Non l'uomo in carne e ossa: per la prima volta nella storia, questo è il genoma di uno specifico uomo, stampato pagina per pagina, lettera per lettera: 262.000 pagine di informazioni, 450 chili, spediti dagli Stati Uniti al Canada grazie a Bruno Bowden, Lulu.com, una start-up, che ha fatto tutto. È stata un'impresa incredibile.
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:
Ma questa è la percezione visiva di ciò che è il codice della vita. Ora, per la prima volta, posso fare una cosa divertente: curiosarci dentro e leggerlo. Prendiamo un libro interessante... questo, per esempio. Ho messo una nota: è un libro piuttosto grande. Ma è per farvi vedere cos'è il codice della vita: migliaia e migliaia e migliaia e milioni di lettere. Che all'apparenza non hanno alcun senso. Andiamo a un punto specifico. Ve la leggo:
(Laughter)
(Risate)
"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.
Per voi queste lettere non hanno alcun senso, ma questa sequenza dà a Craig il colore degli occhi. Vi mostrerò un'altra parte del libro. Questo è un po' più complicato, in realtà.
Chromosome 14, book 132:
Cromosoma 14, libro 132:
(Laughter)
(Risate)
As you might expect.
Come forse vi aspettavate.
(Laughter)
(Risate)
"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.
Questo essere umano è fortunato, perché se mancassero solo due lettere, in questo punto -- due lettere su tre miliardi -- sarebbe condannato ad una terribile malattia: fibrosi cistica. Non esiste una cura, non sappiamo come curarla, e bastano due lettere a fare tutta la differenza.
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 bellissimo, potente, che mi ha aiutato a capire e mostrarvi qualcosa di notevole. Le lettere che identificano me, e ognuno di voi, sono solo 5 milioni circa, mezzo libro. Per il resto, siamo tutti assolutamente identici. 500 pagine è il miracolo della vita che solo voi siete. Il resto lo condividiamo tutti. Ripensateci, quando credete di essere tanto speciali. Questo è quanto abbiamo in comune.
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.
Adesso che ho la vostra attenzione, la prossima domanda è: come lo leggo? Come lo comprendo? Per quanto bravi possiate essere a montare mobili svedesi, questo libretto delle istruzioni è fuori dalla vostra portata.
(Laughter)
(Risate)
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.
Quindi nel 2014, due famosi TEDster, Peter Diamandis e lo stesso Craig Venter, decisero di creare una nuova azienda. Nacque Human Longevity, con una missione: fare tutto il possibile e imparare il massimo possibile da questi libri, con un obiettivo -- realizzare il sogno della medicina personalizzata, capire cosa bisognerebbe fare per migliorare la salute e quali sono i segreti di questi libri.
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'incredibile squadra, 40 analisti dei dati e molte altre persone con cui è bello lavorare. Il concetto è, in realtà, molto semplice. Useremo una tecnologia chiamata apprendimento automatico. Da un lato ci sono i genomi -- a migliaia. Dall'altro abbiamo collezionato il più grande database di esseri umani: fenotipi, scansione 3D, NMR -- tutto ciò che vi viene in mente. Lì dentro, ai due estremi, c'è il segreto della traduzione. Nel mezzo costruiamo la macchina. Costruiamo una macchina e alleniamo la macchina - beh, non proprio una: molte, molte macchine - per capire e tradurre il genoma in un fenotipo. Cosa sono quelle lettere, e cosa fanno. È un metodo che può essere usato per qualsiasi cosa, ma applicarlo alla genomica è particolarmente complicato. Piano piano siamo cresciuti e cercavamo altre sfide. Abbiamo cominciato dalle basi, dai tratti comuni. I tratti comuni sono semplici perché sono comuni, tutti li hanno.
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.
Quindi abbiamo iniziato a porci un po' di domande: possiamo predire l'altezza? Possiamo leggere quei libri e predire l'altezza? In effetti si, con un margine di precisione di 5 centimetri. L'IMC è abbastanza collegato allo stile di vita, ma ce la facciamo ancora, ci siamo vicini con un margine di errore di 8 chili. Il colore degli occhi? Sì, possiamo prevederlo. Con una precisione dell'80%. Possiamo predire il colore della pelle? Sì, possiamo, con una precisione dell'80%. Possiamo predire l'età? Si, perché sembra che il codice cambi nel corso della vita. Si accorcia, si perdono pezzi, compaiono delle aggiunte. Noi leggiamo i segnali e creiamo un modello.
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.
E ora una sfida interessante: possiamo prevedere un volto umano? È un po' complicato, perché un volto umano è disperso tra milioni di queste lettere. E un volto umano non è un oggetto ben definito. Abbiamo dovuto quindi partire da zero per capire come insegnare alla macchina cos'è una faccia, e poi incorporare e compattare il codice. Se conoscete un po' l'apprendimento automatico, potete immaginare che genere di sfida sia stata.
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.
Adesso, dopo 15 anni -- 15 anni dalla lettura della prima sequenza -- a ottobre abbiamo iniziato a ricevere dei segnali. È stato un momento emozionante. Qui vedete un soggetto del nostro laboratorio. Per noi questa è una faccia. Quindi prendiamo la vera faccia di un soggetto, riduciamo la complessità, perché i geni non spiegano tutto: molti tratti, difetti e asimmetrie derivano dalla vita. Rendiamo la faccia simmetrica e applichiamo il nostro algoritmo. Ora vi mostro i risultati: questa è la previsione che otteniamo dal sangue.
(Applause)
(Applauso)
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.
Aspettate un attimo. In questo istante state guardando a sinistra e a destra, sinistra e destra, e il vostro cervello cerca di convincersi che sono uguali. Quindi ora vi chiederò di fare l'esercizio opposto: cercate le differenze, che sono molte. La maggiore parte di segnali deriva dal genere, poi dall'età, dall'IMC, dall'etnia di un essere umano. E fare meglio di quel segnale è molto più complicato. Ma quello che potete vedere, nonostante le differenze, vi fa capire che siamo sulla strada giusta, che ci stiamo avvicinando. E già ci impressiona.
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.
Questo è un altro soggetto analizzato, e questa è una previsione. Il viso è un po' più piccolo, non abbiamo individuato la completa struttura del cranio, ma comunque è una buona approssimazione. Questo è un soggetto che viene al nostro laboratorio, e questa è la previsione. Queste persone non sono mai state viste durante la preparazione della macchina. Sono le cosiddette serie escluse. Ma probabilmente, non immaginereste mai chi sono. Stiamo pubblicando tutto su una rivista scientifica, che potrete leggere.
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.
Ma dato che siamo sul palco, Chris mi ha sfidato. Forse mi sono esposto nel cercare di fare una previsione di una persona che potreste riconoscere. In questa fialetta di sangue -- e credetemi, non avete idea di cosa abbiamo fatto per potervela mostrare -- in questa fialetta di sangue c'è sufficiente informazione biologica per permetterci di elaborare un'intera sequenza genomica. Ne basta davvero così poco. Abbiamo eseguito la sequenza, e ora lo rifarò con voi. Poi abbiamo iniziato ad accumulare tutta la conoscenza che avevamo. Dalla fialetta di sangue, abbiamo previsto che fosse maschio. E il soggetto è un maschio. Abbiamo previsto che fosse alto 1m e 76 cm. Il soggetto è alto 1m e 77cm. Abbiamo previsto che pesasse 76kg; il soggetto pesa 82kg. Abbiamo previsto la sua età, 38. Il soggetto ha 35 anni. Abbiamo previsto il colore dei suoi occhi. Troppo scuri. Abbiamo previsto il colore della sua pelle: più o meno ci siamo. Quella è la sua faccia.
Now, the reveal moment: the subject is this person.
Adesso, la rivelazione: il soggetto è questa persona.
(Laughter)
(Risate)
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.
L'ho fatto intenzionalmente. Faccio parte di un'etnia molto particolare: sudeuropea, italiani -- che non corrispondono mai ai modelli. È particolare -- questa etnia è un complesso caso limite per il nostro modello. Ma c'è un altro motivo. Una delle cose su cui ci basiamo molto per riconoscere le persone non sarà mai scritto nel genoma. È il nostro libero arbitrio, è il mio aspetto. Non il mio taglio di capelli, in questo caso, ma quello della mia barba. Allora trasferirò, in questo caso -- solo con Photoshop, senza modelli 3D -- la barba sul soggetto. Ed immediatamente siamo molto molto più vicini.
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.
Perché facciamo tutto questo? Di certo non lo facciamo per predire l'altezza o scattare una bella foto dal nostro sangue. Lo facciamo perché la stessa tecnologia e lo stesso approccio, l'apprendimento automatico di questo codice, ci sta aiutando a capire come funzioniamo, come funziona il nostro corpo, come invecchia il nostro corpo, come si generano le malattie, come il cancro nasce e si sviluppa, come funzionano i farmaci e se funzionano sul nostro corpo.
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.
È una sfida immensa. È una sfida che condividiamo con centinaia di altri ricercatori nel mondo. Si chiama medicina personalizzata. Ed è la capacità di passare da un approccio statistico, dove siete un puntino nell'oceano, a un approccio personalizzato, in cui leggiamo tutti questi libri e capiamo esattamente come siete. Ma è una sfida particolarmente complicata, perché di tutti questi libri, ad oggi, conosciamo solo il 2% circa: quattro libri su più di 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.
Questo non è l'argomento del mio talk, perché impareremo più di questo. Le migliori menti al mondo stanno lavorando su questo argomento. Le previsioni miglioreranno, il modello sarà più preciso. E più impareremo, più dovremo confrontarci con decisioni mai affrontate prima sulla vita, sulla morte, sull'essere genitori. Quindi, questa conversazione --
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.
stiamo indagando i meccanismi più profondi della vita. Ed è una rivoluzione che non può essere limitata al campo della scienza o della tecnologia. Deve diventare una conversazione globale. Dobbiamo pensare al futuro che stiamo costruendo come umanità. Dobbiamo collaborare con i creativi, con gli artisti, con i filosofi, con i politici. Siamo tutti coinvolti, perché in ballo c'è il futuro della nostra specie. Senza timori, ma con la consapevolezza che le decisioni che prenderemo nel prossimo anno cambieranno il corso della storia per sempre.
Thank you.
Grazie.
(Applause)
(Applausi)