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.
Önümüzdeki 16 dakika boyunca, sizi bir yolculuğa çıkaracağım. Yaşamın kodunu anlamak muhtemelen insanlığın en büyük hayali olmuştur.
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.
Benim için her şey uzun yıllar önce 3B yazıcılar ile tanıştığımda başladı. Konsept muazzamdı. 3B yazıcılar üç bileşene ihtiyaç duyar: Birazcık bilgi, biraz ham madde, biraz enerji. Bunlarla birlikte yeni bir nesneyi üretebilir.
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.
Fizikle uğraşırken 3B yazıcıların sanki hep bildiğim bir şey olduğunu fark ettim. Herkes biliyordu. Annem bile.
(Laughter)
(Gülüşmeler)
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.
Annem üç bileşeni kullanıyordu: Biraz bilgi; yani babam ve annem arasındaki bilgi, aynı ortamdaki ham madde ve enerji; bu yemek oluyor ve birkaç ay sonra, ben var oluyorum. Ben daha önce yoktum.
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?
Annem kendisinin 3B yazıcı olduğunu keşfetmesiyle şoke olması dışında, bu parçadan çok etkilenmiştim. İlk parça olan bilgiden. Ne kadar büyüklükteki bir veri bir insanı inşa edip bir araya getirebilirdi? Çok mu? Az mı? Kaç tane flash belleği doldururdu?
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.
Evet, başlarda fizikle uğraşıyordum ve bunu insanın dev bir Lego parçasına benzerliği gibi düşündüm. Şöyle ki, yapılan blokların küçük atomlar olduğunu hayal edin ve burada bir hidrojen var, karbon var, nitrojen var. Başta tahminime göre şöyle düşündüm: İnsanoğlunu oluşturan atom numaralarını listeye dökebilirsem bunu oluşturabilirim. Şimdi, birkaç sayı sayabilirsiniz ve bu bayağı büyük bir sayı olabilir. Yani küçücük bir bebeği oluşturmak için aslında tüm Titanik'i dolduracak kadar flash belleğe ihtiyacım var. Hatta 2.000 katı. Bu, hayatın mucizesi. Şu andan itibaren her gördüğünüz gebe kadını, görüp görebileceğiniz en büyük veriyi bir araya getiren kişiler olarak düşünebilirsiniz. Yüksek hafızalı verileri, duyduğunuz her şeyi unutun. Bu, var olan en büyük miktardaki veri topluluğu.
(Applause)
(Alkışlar)
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?
Fakat doğa, neyse ki, genç bir fizikçiden daha zeki ve dört milyar yıl boyunca bu bilgiyi DNA dediğimiz küçük kristalin içinde depolamayı başardı. Onunla,1950'de; genç bir bilim insanı, bir kadın, Rosalind Franklin'in onun bir resmini çekmesiyle tanışmış olduk. Ancak bir insan hücresinin içine erişmemiz 40 yıldan fazla bir süreyi aldı. Bundan kastım, bu kristal tanesini alıp, açıp ilk kez okumaktan bahsediyorum. Aslına bakarsanız bu kodun oldukça kolay bir alfabesi var: A, T, C ve G sadece dört harf var. Ve bir insan yaratabilmek için onlardan üç milyarına ihtiyaç var. Üç milyar. Peki kaç tane üç milyar? Rakam olarak bahsedince pek anlaşılmıyor değil mi?
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.
Ben de böylesine devasa bir rakam ile uğraşırken kendimi nasıl daha iyi ifade ederim diye düşünüyordum. Şöyle ki - yani biraz yardıma ihtiyacım olacak ve bana yardım edebilecek en iyi kişi aslına bakarsanız Dr. Craig Venter, bunu ilk kez sınıflandıran, düzenleyen kişi. Ve sahneye hoş geldiniz Dr.Craig Venter.
(Applause)
(Alkış)
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.
Bizzat kendisi değil, tarihte ilk defa belirlediğimiz bir insanın sayfa sayfa, harf harf görüntüsünü size sunuyorum. 262.000 sayfa bilgi, 450 kg, Amerika'dan Kanada'ya Bruno Bowden, yeni girişim Lulu.com sayesinde getirildi. İnanılmaz bir başarıydı.
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:
Ama bu yaşamın kodlanışını görsel algılayışımızdır. Şimdi ilk defa enteresan bir şey yapacağım. Bunlardan birine dadanıp okuyabilirim. İlginç bir kitap seçeyim...bunun gibi. Şöyle bir bilgi vereyim; bu bayağı bir büyük kitap. O hâlde bakalım yaşamımızın kodlanması nasılmış. Binlerce ve binlerce ve binlerce ve milyonlarca harf. Elbette bu harflerin bir anlamı var. Şimdi asıl konuya gelelim. Size okuyayım:
(Laughter)
(Gülüşmeler)
"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.
Size anlam ifade etmeyen harfler gibi geliyor ama bu dizilim bize Craig'in göz rengini veriyor. Size kitabın başka bir yerini göstereyim. Bu biraz daha karışık aslında.
Chromosome 14, book 132:
Kromozom 14, 132. kitap:
(Laughter)
(Gülüşmeler)
As you might expect.
Tahmin edeceğiniz üzere.
(Laughter)
(Gülüşmeler)
"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.
Bu insan şanslı. Çünkü bu yerde sadece iki harf eksik olsaydı -- yani üç milyar içerisinden iki harf -- korkunç bir hastalığa yakalanırdı ve bu: Kistik fibrozis. Tedavi edemiyoruz, nasıl çözeceğimizi bilmiyoruz ve bu bizim şu anki hâlimizden sadece iki harf farklı.
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.
Mükemmel ve muazzam bir kitap. Öyle bir kitap ki bazı şeyleri anlamama yardımcı oldu ve size dikkate değer bir şey göstermeme olanak verdi. Her biriniz; sizi siz, beni ben yapan her şey bunların beş milyonu içinde gizlidir, yani kitabın yarısı. Gerisi içinse şunu diyebilirim, hepimiz birbirimizin benzeriyiz. Beş yüz sayfa sizi hayatın mucizesi hâline getirdi. Geri kalanını hepimiz paylaşıyoruz. Yani farklı olduğunuzu düşündüğüzde bir kez daha düşünün. Paylaştığımız miktar bu.
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.
Yani şimdi ilginizi çektiğime göre, bundan sonraki soru şu: Bunu nasıl okuyabilirim? Bundan nasıl anlam çıkarabilirim? İsveç eşyalarını kurmada ne kadar iyi olursanız olun, bu kullanım kılavuzu ile bir yere gelemezsiniz.
(Laughter)
(Gülüşmeler)
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'te iki ünlü TED'ci Peter Diamandis ve Craig Venter kendi başlarına bir şirket kurmaya karar verdiler. Human Longevity'i hayata geçirdiler. Tek misyonu vardı: Denenebilecek her şeyi denemek, sonrasında bu kitaplardan öğrenebilecek her şeyi öğrenmek ve tek bir hedef vardı: Kişiye özel ilaç hayalini gerçekliğe kavuşturmak, daha iyi bir sağlığa sahip olmak için neler yapılabileceğini anlamak ve bu kitaplardaki gizemleri çözmek.
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.
Harika bir ekip, 40 veri bilimcisi ve onlarla çalışmanın bir zevk olduğu birçok insan. Aslında konsept oldukça sadeydi. Makine öğrenimi dediğimiz bir teknoloji kullanacağız. Bir tarafta binlerce genomumuz var. Diğer yanda da fenotiplerle, 3B tarayıcılarla, NMR ve aklınıza gelebilecek her şey ile insanoğlunun en büyük veri tabanını bir araya getirdik. Bu iki zıt tarafın içinde bu işin tercüme edilmesinde bir giz var. Ortasındaysa, bir makine inşa edişimiz var. Bir makine üretiyoruz ve onu eğitiyoruz. Aslında bir makine de değil, birçok makine. Bunu fenotipteki genomu tercüme etmek ve anlamak için yapıyoruz. Bu harflerin anlamı ne, bunlar ne yapar? Bu, her amaca hizmete edebilecek bir girişim. Ancak bunu genomik alanında kullanmak kısmen karmaşık. Yavaş yavaş büyüdük ve kendimize farklı hedefler koyduk. İşin başından, yani ortak özelliklerden başladık. Ortak özellikler iyi bir seçenek, çünkü onlar ortak; herkes onlara sahip.
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.
Sonrasında sorularımızı sormaya başladık: Boyu tahmin edebilir miyiz? Kitapları okuyup sonra boyunu tahmin edebilir miyiz? Evet, aslında edebiliriz. Beş santimetre yakınlıkla yapabiliriz. BMI (Vücut kitle endeksi) sizin yaşamınıza çok yakındır. Yine de tahminen sekiz kilo yakınlığı tahmin edebiliriz. Peki göz rengini tahmin edebilir miyiz? Evet, edebiliriz. Yüzde 80 kesinlikle. Ten rengini tahmin edebilir miyiz? Evet, yüzde 80 oranla. Yaşı tahmin edebilir miyiz? Evet, çünkü bu kod hayatın boyunca değişmekte. Kısalıyor, parçaları kaybediyorsun ve tekrar parça ekleniyor. Sinyalleri okuyup bir model yaratıyoruz.
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.
Şimdi farklı bir hedef koyduk: İnsan yüzünü tahmin edebilir miyiz? Bu biraz karmaşık. Çünkü insan yüzü bu milyonlarca harf arasına yayılmış. Ve insan yüzü çok bariz bir nesne değil. Bu yüzden tamamen farklı bir alan oluşturduk onun için. Öğrenmek ve makineye bir yüzün ne olduğunu öğretmek için. Yani bunu olguyu ona verebilmek için. Makine öğrenimi ile aranız iyiyse bu olayın ne kadar büyük olduğunu anlarsınız.
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.
15 yıl sonra -- 15 yıl sonra ilk dizilimi okuduk -- bu Ekim, bazı sinyaller görmeye başladık. Oldukça etkileyici bir andı. Burada gördüğünüz şey laboratuvarımıza gidecek. Bu, bizim için bir yüz. Gerçek bir yüzü ele alıp onun karmaşıklığını azaltıyoruz, çünkü yüzünüzdeki birçok özellik, kusur ve asimetriklik yaşamınızdan dolayı oradalar. Yüzü simetrik olarak ele alıp algoritmamızı çalıştırıyoruz. Şu an size gösterdiğim sonuçlar kandan alıp yaptığımız tahmindir.
(Applause)
(Alkışlar)
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.
Bir saniye bekleyin. Bu saniyelerde, gözleriniz solu sağı izliyor ve beyniniz bu resimlerin aynı olmasını istiyor. Sizle farklı bir alıştırma yapacağız şimdi. Farkları tespit etmeye çalışın, oldukça fark var. En yüksek sinyal cinsiyetten gelir, sonrasında yaş, BMI, etnik kökeni vardır. Bu ölçekte yükselmek çok karmaşıktır. Burada anladığınız şey ise farklılıklar olsa dahi aşağı yukarı doğru bir yerde olduğunuzu ve yaklaştığımızı göstermesidir. Ve zaten şu an size bazı hisleri yaşatıyor.
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.
Burada farklı bir konu daha var. Bu da tahmin. Daha küçük bir ölçekte bakacak olursak tam bir sonuç alamıyoruz ancak yine de aşağı yukarı aynı. Laboratuvarımıza gelen bir konu bu. Ve bu da bizim tahminimiz. Yani bu insanlar makinenin eğitiminde hiç bulunmadılar. Bunlar sözde direnen kısımlar. Ancak bu insanlar muhtemelen asla inanmayacağınız türden. Bilimsel organlarla her şeyi yayımlıyoruz ve okuyabilirsiniz.
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.
Sahnede olan biz olduğumuzdan Chris bana meydan okudu. Kendimi öne atıverdim. Belki de tanıyabileceğiniz birini tahmin etmeye çalıştım. Şu kan tüpünü elde edebilmek için neler yapmak zorunda kaldığımızı tahmin edemezsiniz. Bu kan tüpü, genom dizisini tam anlamıyla yapabilmemiz için gereken biyolojik bilgiyi barındırıyor. İhtiyacımız olan miktar bu. Bu diziyi başlatıyoruz ve bunu sizle yapacağım. Tüm anlama kabiliyetimizi bir üst kademeye çıkarmaya başlıyoruz. Bu kan tüpüyle, onun bir erkek olduğunu saptadık. Deneğimiz bir erkek. Onun bir metre 76 cm olduğunu saptadık. Deneğimiz bir metre 77 cm. Yani kendisini 76 diye saptadık, denek 82 çıktı. Yaşını 38 diye saptadık. Deneğimiz 35 çıktı. Göz rengini tahmin ettik. Oldukça koyu. Ten rengini tahmin ettik. Neredeyse geldik. Bu kendisinin yüzü.
Now, the reveal moment: the subject is this person.
Şimdi, görme zamanı: Deneğimiz bu kişi.
(Laughter)
(Gülüşmeler)
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.
Ve bunu bilerek yaptım. Çok özel ve tuhaf bir etnik kökenim var. Güney Avrupa, İtalyanlar bunlar hiç kalıba uymazlar. Ve bu özeldir -- bu etniklik modelimiz için karmaşık bir durumdur. Ancak farklı bir konu daha var. Yani insanları tanımak için kullandığımız şeylerden biri genomlarda asla yer almayacak. Kendi hür irademiz, nasıl göründüğümüzdür. Bu durumda saç kesimim değil de sakal kesimim konumuz. Size bir şey göstereceğim. Böyle bir durumda bu, Photoshop veya modellemeden fazla bir şey değil. Konumuz sakal. Ve bir anda daha çok iyi hissetmeye başladık.
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.
Bunu neden yapıyoruz? Bunu tabii ki boyu hesaplamak için ya da kanınızdan güzel bir resim çekmek için yapmıyoruz. Bunu, aynı teknoloji ve aynı girişim kullanılarak, yani bu kodun makine öğrenimi, bize, nasıl çalıştığımızı, vücudunuzun nasıl çalıştığını, bedeninin nasıl yaşlandığını, hastalıkların vücudunda nasıl oluştuğunu, kanserin nasıl oluştuğu ve büyüdüğünü, ilaçların anlamını ve vücudunda işe yarayıp yaramadığını öğrenmek için yapıyoruz.
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.
Bu büyük bir adım. Bu, dünya çapında binlerce farklı araştırmacılarla paylaştığımız bir adım. Buna personalized medicine (kişiye özel ilaç) diyoruz. Bu, istatistiklere dayanan bir girişimden, okyanusta bir nokta gibiyken, bu tüm kitapları okuduğumuz ve tam olarak nasıl olduğumuz hakkında bir anlayışa sahip olacağımız kişiye özel yapılan bir girişimdir. Ancak bu biraz karmaşık bir adımdır. Çünkü bu tüm kitapların günümüzde muhtemelen yüzde ikisini biliyoruz. 175'ten fazlasından dört kitap.
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.
Bu, konuşmamın konusu değil, çünkü daha öğreneceğiz. Bu konu üzerine dünyada çok iyi mantık yürütenler var. Tahminler daha iyi hâle gelecek, model daha kesinleşecek. Öğrendikçe; hayat hakkında, ölüm hakkında, ebeveynlik hakkında daha önce hiç karşılaşmadığımız sorularla karşılaşmak zorunda kalacağız.
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.
Yani hayatın nasıl işlediği hakkında bayağı bir ince detaya iniyoruz. Bu, bilim ya da teknoloji alanlarıyla sınırlandırılamayacak kadar büyük bir devrim. Bu, küresel bir konu olmalı. İnsanlık olarak inşa ettiğimiz geleceği düşünmeye başlamak zorundayız. Yaratıcı kişilerle, sanatçılarla, filozoflarla, politikacılarla irtibat kurmalıyız. Herkes bu işin içinde, çünkü bu bizim türümüzün geleceği. Gelecek yıl, korkusuzca ve anlayarak vereceğimiz kararlar tarihin gidişatını sonsuza dek değiştirecek.
Thank you.
Teşekkürler.
(Applause)
(Alkışlar)