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.
Nos próximos 16 minutos, vou conduzi-los em uma jornada que talvez seja o maior sonho da humanidade: entender o código da vida.
So for me, everything started many, many years ago when I met the first 3D printer. The concept was fascinating. A 3D printer needs three elements: a bit of information, some raw material, some energy, and it can produce any object that was not there before.
Quanto a mim, tudo começo há muitos e muitos anos, quando conheci a primeira impressora 3D. O conceito era fascinante. Uma impressora 3D requer três elementos: informação, matéria-prima e energia, com os quais podemos produzir qualquer objeto que não existia antes.
I was doing physics, I was coming back home and I realized that I actually always knew a 3D printer. And everyone does. It was my mom.
Eu estudava física, estava voltando para casa e me dei conta de que sempre tive uma impressora 3D. E todo mundo tem uma. É a minha mãe.
(Laughter)
(Risos)
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.
Minha mãe usou três elementos: informação, neste caso, entre meu pai e ela, matérias-primas e energia de uma mesma fonte, ou seja, o alimento, e vários meses depois, fui produzido. E eu não existia antes.
So apart from the shock of my mom discovering that she was a 3D printer, I immediately got mesmerized by that piece, the first one, the information. What amount of information does it take to build and assemble a human? Is it much? Is it little? How many thumb drives can you fill?
Além do choque que tive, ao descobrir que minha mãe era uma impressora 3D, eu fiquei imediatamente fascinado pelo primeiro elemento, a informação. Qual é a quantidade de informação necessária para montar um ser humano? É muita? É pouca? Caberia em quantos pen drives?
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.
Bem, no começo eu estudava física e adotei a analogia simplista entre um ser humano e uma peça gigante de Lego. Imagine que os blocos de construção sejam átomos minúsculos, e que há um hidrogênio aqui, um carbono aqui, um nitrogênio aqui. Numa primeira aproximação, se puder listar o número de átomos formadores do ser humano, eu posso construí-lo. Pode-se fazer um cálculo e o número que se obtém é muito impressionante. O número de átomos, no arquivo que terei de salvar em um pen driver para montar um bebê, na verdade lotará um Titanic inteiro, cheio de pen drives, multiplicado por 2 mil vezes. Esse é o milagre da vida. Doravante, quando virem uma mulher grávida, saberão que ela está montando a maior quantidade de informação que jamais encontrarão. Esqueça “big data”, esqueça tudo de que já tenha ouvido. É a maior quantidade de informação que existe.
(Applause)
(Aplausos)
But nature, fortunately, is much smarter than a young physicist, and in four billion years, managed to pack this information in a small crystal we call DNA. We met it for the first time in 1950 when Rosalind Franklin, an amazing scientist, a woman, took a picture of it. But it took us more than 40 years to finally poke inside a human cell, take out this crystal, unroll it, and read it for the first time. The code comes out to be a fairly simple alphabet, four letters: A, T, C and G. And to build a human, you need three billion of them. Three billion. How many are three billion? It doesn't really make any sense as a number, right?
A natureza, felizmente, é muito mais inteligente do que um físico, e, em 4 bilhões de anos, conseguiu concentrar essa informação em um pequeno cristal que chamamos de DNA. Nós o conhecemos em 1950, quando Rosalind Franklin, uma notável cientista, uma mulher, o fotografou. Porém, levou mais de 40 anos para enfim penetrarmos numa célula humana, retirarmos este cristal, o desenrolarmos e o lermos pela primeira vez. O código revelou ser um alfabeto razoavelmente simples, com quatro letras: A, T, C e G. Para construir um ser humano, são necessárias 3 bilhões delas. Três bilhões. O que são três bilhões? Não fazemos ideia da quantidade representada, certo?
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.
Pensei como poderia explicar melhor a enormidade deste código. Mas terei uma ajuda, e a melhor pessoa para me ajudar a apresentar o código é, na verdade, o primeiro homem que o sequenciou, Dr. Craig Venter. Bem-vindo ao palco, Dr. Craig Venter.
(Applause)
(Aplausos)
Not the man in the flesh, but for the first time in history, this is the genome of a specific human, printed page-by-page, letter-by-letter: 262,000 pages of information, 450 kilograms, shipped from the United States to Canada thanks to Bruno Bowden, Lulu.com, a start-up, did everything. It was an amazing feat.
Não é ele em carne e osso, mas, pela primeira vez na história, este é o genoma de uma pessoa específica, impresso página por página, letra por letra: 262 mil páginas de informação, 450 kg, despachados dos EUA ao Canadá, graças a Bruno Bowden, Lulu.com, uma “start-up” que fez tudo. Foi um façanha incrível.
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:
Esta é a percepção visual do que é o código da vida. Agora, pela primeira vez, posso fazer algo divertido. Posso realmente olhar dentro dele e o ler. Então, deixe-me pegar um livro interessante…como este. Eu fiz uma anotação: é um livro razoavelmente grande. É apenas para que vocês vejam o que é o código da vida. (Risos) Milhares, milhares, milhares e milhões de letras. E elas parecem fazer sentido. Vamos para uma parte específica. Vou ler para vocês.
(Laughter)
(Risos)
"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.
Podem parecer letras sem significado, mas esta sequência determina a cor dos olhos do Craig. Vou mostrar-lhes outra parte do livro. Esta é realmente um pouco mais complicada.
Chromosome 14, book 132:
Cromossomo 14, livro 132:
(Laughter)
(Risos)
As you might expect.
Como vocês esperavam.
(Laughter)
(Risos)
"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.
Esta pessoa tem sorte, porque se faltassem apenas duas letras nesta posição, duas letras em três bilhões, ela estaria condenada a uma doença terrível: a fibrose cística. Não há cura para ela, não sabemos como tratá-la, e são apenas duas letras de diferença em relação às pessoas saudáveis.
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.
Um livro maravilhoso e poderoso, que me ajudou a entender e mostrar-lhes algo notável. Cada um de vocês, o que me faz ser quem sou, o que faz você ser você, são apenas 5 milhões destas, a metade de um livro. No resto, somos absolutamente idênticos. São 500 páginas, o milagre da vida, o milagre que vocês são. O restante, todos nós compartilhamos. Lembrem disto, quando pensarem que somos diferentes. Esta é a quantidade que nós compartilhamos.
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.
Agora que tenho a atenção de vocês, a próxima questão é: Como conseguir ler? Como fazer isto ter um significado? Bem, por mais hábeis que sejam em montar móveis suecos, este manual de instrução é algo que nunca conseguirão decifrar.
(Laughter)
(Risos)
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.
E assim, em 2014, dois famosos participantes do TED, Peter Diamandis e o próprio Craig Venter, decidiram fundar uma nova companhia. E nasceu a Human Longevity, com uma missão: fazer tudo o que pudéssemos e estudar tudo o que podíamos aprender com estes livros, com um objetivo: tornar realidade o sonho da medicina personalizada, compreender o que deveria ser feito para termos uma saúde melhor e que segredos guardam estes livros.
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.
Uma equipe maravilhosa, com 40 cientistas de dados e muitas outras pessoas, com as quais é um prazer trabalhar. O conceito é realmente muito simples. Usaremos uma tecnologia chamada aprendizado de máquina. De um lado, temos os genomas, milhares deles. Do outro lado, juntamos o maior banco de dados sobre os seres humanos: fenótipos, escaneamento em 3D, RNM, tudo aquilo em que possam pensar. Dentro disso, nos dois lados opostos, há o segredo da tradução. E no meio, construímos uma máquina. Construímos e treinamos uma máquina; bem, não exatamente uma, muitas e muitas máquinas… com a finalidade de entender e traduzir o genoma em um fenótipo. Quais são as letras e o que elas fazem? É uma abordagem que pode ser usada para tudo, mas usá-la em genômica é particularmente complicado. Progredimos aos poucos e queríamos enfrentar diferentes desafios. Começamos pelos traços comuns, pois tais características são mais fáceis de trabalhar, todos as têm.
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.
Começamos a indagar: Podemos prever a altura? Podemos ler os livros e prever a altura? Bem, realmente podemos, com 5 cm de precisão. O índice de massa corporal, IMC, está ligado ao estilo de vida, mas, dentro de certos limites, podemos prevê-lo com 8 kg de precisão. E prever a cor dos olhos? Sim, podemos. Com 80% de precisão. Podemos prever a cor da pele? Sim, podemos, com 80% de precisão. Podemos prever a idade? Podemos porque, aparentemente, o código muda ao longo da vida. Ele se encurta, perde pedaços, ganha inserções. Lemos os sinais e elaboramos um modelo.
Now, an interesting challenge: Can we predict a human face? It's a little complicated, because a human face is scattered among millions of these letters. And a human face is not a very well-defined object. So, we had to build an entire tier of it to learn and teach a machine what a face is, and embed and compress it. And if you're comfortable with machine learning, you understand what the challenge is here.
Um desafio interessante: é possível prever a face humana? É um pouco complicado, porque uma face humana está espalhada entre milhões de letras. E uma face humana não é um objeto bem definido. Construímos uma coleção delas para aprender e ensinar a uma máquina o que é uma face, a incorporá-la e comprimi-la. Se entendem de aprendizagem de máquina, compreendem qual é o desafio aqui.
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.
Bem, 15 anos após termos lido a primeira sequência, agora em outubro identificamos alguns sinais. Foi um momento muito emocionante. O que veem aqui é uma pessoa chegando ao nosso laboratório. Para nós, é um rosto. Tomamos o rosto real de uma pessoa, reduzimos a complexidade, porque nem tudo está no rosto, muitos aspectos e defeitos e assimetrias vêm da vida que a pessoa leva. Simetrizamos a face e usamos nosso algoritmo. O resultado que lhes mostro agora é a previsão que fizemos a partir de amostra de sangue.
(Applause)
(Aplausos)
Wait a second. In these seconds, your eyes are watching, left and right, left and right, and your brain wants those pictures to be identical. So I ask you to do another exercise, to be honest. Please search for the differences, which are many. The biggest amount of signal comes from gender, then there is age, BMI, the ethnicity component of a human. And scaling up over that signal is much more complicated. But what you see here, even in the differences, lets you understand that we are in the right ballpark, that we are getting closer. And it's already giving you some emotions.
Esperem um instante. Nesses segundos, vocês olham da esquerda para a direita e vice-versa, e o cérebro espera que as figuras sejam idênticas. Peço que façam um outro exercício, para ser honesto. Por favor, procurem as diferenças, as quais são muitas. A maior quantidade de sinais vem do gênero, depois a idade, IMC, o componente da etnicidade de uma pessoa. E extrapolar a partir do sinal é mais complicado ainda. Mas, o que veem aqui, mesmo nas diferenças, permite que percebam que estamos no caminho certo, que estamos chegando perto. E já nos causa algumas emoções.
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.
Esta é uma outra pessoa que chega, e esta é uma previsão. Tem uma face um pouco menor, não captamos a estrutura craniana completa, mas, ainda assim, chegamos perto. Eis o sujeito que chega em nosso laboratório, e esta é a sua previsão. Essas pessoas nunca foram usadas para treinar a máquina. São chamadas de conjunto “não incluído”. São pessoas que vocês provavelmente nunca acreditarão que existem. Estamos publicando tudo em uma revista científica, e vocês podem ler.
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.
Já que estamos no palco, Chris me desafiou. É possível que tenha me exposto e me arriscado a prever alguém que vocês podem reconhecer. No sangue contido neste tubo de ensaio, e creiam-me, vocês não têm ideia do que tivemos que fazer para obter este sangue, aqui, este frasquinho de sangue contém a quantidade de informação biológica necessária para sequenciar todo o genoma. Esta quantidade é suficiente. Fizemos esta sequência e vamos fazê-la com vocês. Começamos a utilizar todo o conhecimento que temos. Com o tubo de sangue, previmos que era um homem. E era um homem. Previmos que tem 1,76 m. O sujeito tem 1,77 m. Previmos 76 kg, a pessoa tem 82 kg. Previmos sua idade, 38 anos. A pessoa tem 35 anos. Previmos a cor dos seus olhos. São muito escuros. Previmos sua cor de pele. Falta pouco. Esta é sua face.
Now, the reveal moment: the subject is this person.
Agora, a hora da revelação: o sujeito é esta pessoa.
(Laughter)
(Risos)
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.
Foi uma coisa intencional Sou de uma etnia muito peculiar. Europeus do sul, italianos, não se enquadram em modelos. E é específico… O grupo étnico é muito complexo e especial para o nosso modelo. Mas há uma outra questão. Uma das coisas muito usadas para reconhecer pessoas nunca estará escrita no genoma. É a nossa livre escolha, é a nossa aparência. Não o meu corte de cabelo, neste caso, o corte de minha barba. Neste caso, eu vou transferir... usou-se apenas o Photoshop, sem qualquer modelagem... a barba para o sujeito. E imediatamente nós temos uma percepção muito, muito melhor.
So, why do we do this? We certainly don't do it for predicting height or taking a beautiful picture out of your blood. We do it because the same technology and the same approach, the machine learning of this code, is helping us to understand how we work, how your body works, how your body ages, how disease generates in your body, how your cancer grows and develops, how drugs work and if they work on your body.
Por que agimos assim? Certamente não o fazemos para prever a altura ou obter uma bonita imagem a partir do sangue. O fazemos porque a mesma tecnologia e a mesma abordagem, a aprendizagem de máquina deste código, nos ajudam a entender como funcionamos, como o corpo funciona, como o corpo envelhece, como as doenças surgem no organismo, como o câncer cresce e se desenvolve, como as drogas agem, e se elas atuam em nosso 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.
Este é um grande desafio. É um desafio para todos nós e milhares de outros pesquisadores no mundo inteiro. É a chamada medicina personalizada. É a capacidade de trocar uma abordagem estatística, na qual somos uma gota no oceano, por uma abordagem personalizada, na qual lemos todos estes livros e conseguirmos uma compreensão de quem somos exatamente. Mas é um desafio particularmente complicado, porque hoje, de todos esses livros, é provável que conheçamos apenas 2%: 4 livros em mais 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.
E este não é o foco da minha palestra, porque aprenderemos mais. As melhores cabeças do mundo estudam este problema. A previsão será aperfeiçoada, o modelo ficará mais preciso. E quanto mais aprendermos, mais seremos confrontados com decisões que nunca antes tivemos que encarar sobre a vida, sobre a morte, sobre a criação de filhos.
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.
Estamos lidando com os detalhes recônditos de como a vida funciona. É uma revolução que não pode se limitar ao domínio da ciência ou da tecnologia. Deve haver um debate global. Devemos pensar o futuro que estamos construindo para a humanidade. Precisamos interagir com pessoas criativas, com artistas, com filósofos com políticos. Todos estão envolvidos, porque é o futuro da nossa espécie. Sem temor, mas com a compreensão de que as decisões que tomaremos no próximo ano mudarão o curso da história para sempre.
Thank you.
Obrigado.
(Applause)
(Aplausos)