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.
Przez najbliższe 16 minut zabiorę was w podróż, która jest prawdopodobnie największym marzeniem ludzkości: zrozumieć kod życia.
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.
Dla mnie wszystko zaczęło się wiele lat temu, kiedy po raz pierwszy zobaczyłem drukarkę 3D. Pomysł był fascynujący. Drukarka 3D wymaga trzech rzeczy: odrobinę danych, szczyptę surowca, trochę energii i może stworzyć dowolny dotąd nieistniejący obiekt.
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.
Studiowałem fizykę. Wracałem do domu i pojąłem, że zawsze znałem drukarkę 3D. Każdy ją zna. Była nią moja mama.
(Laughter)
(Śmiech)
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.
Moja mama wzięła 3 rzeczy: nieco informacji, w zasadzie należało to do obojga moich rodziców, surowce i energię z tego samego źródła, czyli jedzenia. Po paru miesiącach wyprodukowała mnie. Wcześniej nie istniałem.
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?
Mama doznała szoku na wieść, że jest drukarką 3D, a mnie zafascynował pierwszy składnik - informacja. Ile informacji trzeba, by skonstruować człowieka? Dużo? Mało? Ile pamięci USB trzeba zapełnić?
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.
Na początku studiowałem fizykę i za namiastkę człowieka wziąłem ogromny zestaw LEGO. Wyobraźcie sobie, że klocki to małe atomy i gdzieniegdzie jest wodór, gdzie indziej węgiel, gdzieś azot. W tym przybliżeniu, gdybym miał listę atomów do stworzenia człowieka, mógłbym go zbudować. Możecie to przekalkulować i okazuje się, że to zdumiewająca liczba. Liczba atomów, plik, który zapisałbym na pamięci USB, aby zbudować dziecko, wypełniłby pamięciami USB całego Titanica pomnożonego 2000 razy. To cud życia. Odtąd kiedy zobaczycie ciężarną kobietę, pamiętajcie, że montuje największą ilość danych, jaką kiedykolwiek napotkacie. Zapomnijcie o Big Data, o wszystkim, co słyszeliście. To jest największy zbiór informacji, jaki istnieje.
(Applause)
(Brawa)
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?
Ale natura na szczęście jest o wiele mądrzejsza od młodego fizyka i przez 4 miliardy lat dała radę zmieścić te informacje w małym krysztale, który nazywamy DNA. Poznaliśmy go w 1950 roku, kiedy Rosalind Franklin, wspaniały naukowiec, kobieta, zrobiła mu zdjęcie. Zajęło nam to jednak ponad 40 lat, nim wreszcie zajrzeliśmy wewnątrz komórki, wyjęliśmy ten kryształ, rozwinęliśmy go i odczytaliśmy po raz pierwszy. Kod okazał się być dość prostym alfabetem, cztery litery: A, T, C i G. Żeby zbudować człowieka, potrzebujecie trzech miliardów liter. Trzech miliardów. Ile to trzy miliardy? Taka liczba nawet nie ma sensu, prawda?
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.
Myślałem, jak lepiej wyjaśnić ogrom tego kodu. Potrzebuję teraz pomocy, a najlepszą osobą, która pomoże mi przedstawić wam kod, jest pierwszy człowiek, który go sekwencjonował, dr Craig Venter. Witamy na scenie, doktorze Venter. (Brawa)
(Applause)
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.
Nie człowiek z krwi i kości, ale po raz pierwszy w historii: oto genom konkretnego człowieka, wydrukowany strona po stronie, litera po literze, 262 tysiące stron informacji, 450 kg wysłanych z USA do Kanady dzięki Bruno Bowdenowi, Lulu.com, inicjatorowi, oni zrobili wszystko. To była niezwykła współpraca.
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:
Można naocznie się przekonać, czym jest kod życia. Teraz, po raz pierwszy, mogę zrobić coś fajnego. Mogę zajrzeć do środka i czytać. Pozwólcie, że wybiorę ciekawą książkę... jak ta. Mam zakładkę, to dość gruba książka. Żebyście zobaczyli, czym jest kod życia. Tysiące, tysiące, tysiące, miliony liter. I najwyraźniej mają sens. Przejdźmy do konkretnego fragmentu. Przeczytam wam:
(Laughter)
(Śmiech)
"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.
Dla was to nieskładne litery, ale ta sekwencja daje Craigowi kolor oczu. Pokażę wam inną część książki. To odrobinę bardziej skomplikowane.
Chromosome 14, book 132:
Chromosom 14, księga 132.
(Laughter)
(Śmiech)
As you might expect.
Jak mogliście się spodziewać.
(Laughter)
(Śmiech)
"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.
Ten człowiek ma szczęście, bo jeśli zabraknie zaledwie dwóch liter w tej pozycji, dwóch liter z trzech miliardów, będzie skazany na straszną chorobę: mukowiscydozę. Nie mamy na nią lekarstwa, nie wiemy, jak jej zaradzić, a to zaledwie dwie litery odstępstwa od normy.
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.
Wspaniała książka, potężna, potężna książka, która pomogła mi zrozumieć i zademonstrować coś niezwykłego. Każdy z was, to co sprawia, że wy to wy, a ja to ja, to zaledwie około 5 milionów liter, pół książki. W całej reszcie jesteśmy całkowicie identyczni. 500 stron to cud życia, którym jesteście. Całą resztę mamy wspólną. Wydaje nam się, że jesteśmy różni, a tu aż tyle mamy wspólnego.
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.
Skoro zwróciłem już waszą uwagę, następne pytanie brzmi: jak to czytać? Jak znaleźć w tym sens? Jakkolwiek możecie być dobrzy w składaniu szwedzkich mebli, tej instrukcji nie rozgryziecie przez całe życie.
(Laughter)
(Śmiech)
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.
W roku 2014 dwóch znanych entuzjastów TED, Peter Diamandis i sam Craig Venter, postanowili stworzyć firmę. Powstało Human Longetivity z jedną misją: robić, co w naszej mocy i nauczyć się, czego tylko się da z tych książek w jednym celu: urzeczywistnić sen o spersonalizowanej medycynie, zrozumieć, co trzeba zrobić dla lepszego zdrowia i jakie tajemnice kryją te książki.
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.
Niesamowita ekipa, 40 analityków danych i wielu innych, z którymi współpraca to przyjemność. To prosta koncepcja. Zamierzamy użyć technologii samouczenia się maszyn. Z jednej strony mamy tysiące genomów. Z drugiej zebraliśmy największą bazę danych ludzi: fenotypy, skany 3D, MRJ... wszystko, co możecie wymyślić. Pomiędzy tymi dwiema stronami jest tajemnica tłumaczenia. A pośrodku zbudowaliśmy maszynę. Zbudowaliśmy ją i uczymy, właściwie nie jedną, a wiele maszyn. Jak zrozumieć genom i przełożyć go na fenotyp. Czym są te litery i co robią? Tej metody można użyć do wszystkiego, ale jest to szczególnie skomplikowane w przypadku genomiki. Powoli się rozwijaliśmy i chcieliśmy sobie stworzyć różne wyzwania. Zaczęliśmy od początku, czyli cech wspólnych. Cechy wspólne są wygodne, bo są wspólne, każdy je ma. Zaczęliśmy zadawać pytania:
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.
Czy możemy przewidzieć wzrost? Czy możemy przeczytać te książki i przewidzieć wasz wzrost? Owszem, z precyzją do pięciu centymetrów. BMI jest mocno związany z waszym stylem życia, ale mimo to możemy z precyzją do ośmiu kilogramów. Czy możemy przewidzieć kolor oczu? Tak, możemy. Z dokładnością 80%. Czy możemy przewidzieć kolor skóry? Możemy, dokładność 80%. Czy możemy przewidzieć wiek? Możemy, bo jak się okazuje kod zmienia się z wiekiem. Skraca się, tracone są fragmenty, pojawiają się insercje. Odczytujemy sygnały i budujemy model.
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.
I interesujące wyzwanie: czy możemy przewidzieć ludzką twarz? To trochę skomplikowane, bo ludzka twarz jest rozproszona wśród milionów tych liter. Twarz ludzka nie jest konkretnie zdefiniowanym obiektem. Musieliśmy zbudować ją warstwami, aby nauczyć siebie i maszynę, czym jest twarz, nałożyć na siebie i skompresować. Jeśli znacie się na uczeniu maszynowym, rozumiecie, jakie jest to wyzwanie.
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.
Obecnie 15 lat po odczytaniu pierwszej sekwencji, w październiku tego roku zaczęliśmy widzieć znaki. To był bardzo wzruszający moment. Widzicie tu osobę badaną w naszym laboratorium. To jest dla nas twarz. Bierzemy prawdziwą twarz obiektu, i upraszczamy ją, bo wiele szczegółów i defektów twarzy powstaje w ciągu życia. Symetryzujemy twarz i przeprowadzamy algorytm. A to, co widzicie teraz to wynik, który przewidzieliśmy z krwi.
(Applause)
(Brawa)
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.
Poczekajmy. W tej chwili wasze oczy patrzą z lewa na prawo, a wasz mózg chce, żeby te obrazki były identyczne. Więc proszę was o inne ćwiczenie, żeby było uczciwie. Poszukajcie różnic, jest ich wiele. Największa część sygnału związana jest z płcią, potem jest wiek, BMI i czynnik etniczny. Wszystko powyżej się komplikuje. Ale to, co tu widzicie, także w różnicach, pokazuje, że jesteśmy blisko. Już to wzbudza w was emocje.
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.
To ko,lejny badany, a oto co przewidzieliśmy. Trochę mniejsza twarz, nie złapaliśmy kompletnej struktury czaszki, ale i tak jesteśmy blisko. To kolejny badany w laboratorium, a oto co przewidzieliśmy. Ci ludzie nie byli wykorzystani do trenowania maszyny, należą do grupy "wstrzymanej". Są to ludzie, którym pewnie nigdy nie uwierzycie. Możecie o wszystkim przeczytać w naszych naukowych publikacjach.
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.
Ale skoro jesteśmy na scenie, Chris dał mi wyzwanie. Próbowałem przewidzieć wygląd kogoś, kogo możecie rozpoznać. W tej probówce z krwią, a uwierzcie mi, nie macie pojęcia, co musieliśmy zrobić, żeby móc tu wnieść krew, w tej probówce jest wystarczająca ilość informacji biologicznej, której potrzebujemy do sekwencjonowania genomu. Potrzebujemy tylko tyle. Przeanalizowaliśmy tę sekwencję. Zrobię to z wami. Zaczęliśmy nawarstwiać wszystko, co możemy zrozumieć. Z tej próbki krwi przewidzieliśmy, że to mężczyzna. Tak, obiekt jest mężczyzną. Przewidzieliśmy, że ma 1,76 m wzrostu. Obiekt ma 1,77 m. Przewidzieliśmy, że waży 76 kg, naprawdę waży 82 kg. Przewidzieliśmy, że ma 38 lat. Obiekt ma 35. Przewidzieliśmy kolor oczu, są ciemne. Przewidzieliśmy kolor skóry. No, już prawie. To jego twarz.
Now, the reveal moment: the subject is this person.
A teraz chwila prawdy: obiekt to ta osoba.
(Laughter)
(Śmiech)
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.
Zrobiłem to celowo. Należę do bardzo szczególnej i osobliwej grupy etnicznej. Południowi Europejczycy, Włosi, nigdy nie pasują do schematów. To osobliwa grupa, skomplikowany przypadek graniczny. Ale jest jeszcze jedna kwestia. Coś, czego często używamy do rozpoznawania ludzi, nigdy nie będzie zapisane w genomie. To nasza wolna wola, to jak wyglądamy. W moim przypadku nie fryzura, ale broda. Więc pokażę wam, w tym przypadku skopiuję, to tylko Photoshop, nie modelowanie, skopiuję brodę na obiekt. Natychmiast mamy o wiele lepsze odczucie.
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.
Dlaczego to robimy? Na pewno nie po to, żeby przewidzieć wzrost ani zrobić piękny obrazek z waszej krwi. Robimy to, bo ta sama technologia i to samo podejście, uczenie maszyn tego kodu, pomaga nam zrozumieć, jak działamy, jak działa wasze ciało, jak się starzeje, jak w ciele powstają choroby, jak rozwijają się nowotwory, jak działają leki i czy działają na ciało.
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.
To wielkie wyzwanie. To wyzwanie wspólne dla tysięcy innych naukowców na całym świecie. Nazywamy to medycyną personalizowaną. To możliwość przejścia od metody statystycznej, gdzie jesteś kroplą w morzu, do indywidualnego podejścia, gdzie czytamy te wszystkie książki i zaczynamy rozumieć, kim naprawdę jesteście. Ale to tym bardziej skomplikowane, bo z tych wszystkich książek dziś znamy mniej więcej dwa procent: cztery książki z ponad 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.
To nie temat mojej prelekcji, bo poznamy więcej. Pracują nad tym najlepsze umysły świata. Będziemy przewidywać lepiej, model będzie bardziej precyzyjny. A im więcej się nauczymy, tym częściej staniemy przed decyzjami, których nigdy przedtem nie musieliśmy podejmować. O życiu, o śmierci, o rodzicielstwie.
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.
Dotykamy zasadniczych szczegółów działania życia. Ta rewolucja nie może być ograniczona do dziedzin nauki czy technologii. To musi być globalna dyskusja. Musimy zacząć myśleć o przyszłości, jaką budujemy jako ludzkość. Musimy wejść w interakcję z branżą kreatywną, z artystami, filozofami, politykami. Dotyczy to wszystkich, bo to przyszłość naszego gatunku. Bez strachu, za to rozumiejąc, że decyzje, które podejmiemy za rok, zmienią bieg historii na zawsze.
Thank you.
Dziękuję.
(Applause)
(Brawa)