Allan Jones: A map of the brain

164,945 views ・ 2011-11-10

TED


Pro přehrání videa dvakrát klikněte na anglické titulky níže.

Překladatel: Honza Prokes Korektor: Ivan Prokůpek
00:15
Humans have long held a fascination
0
15260
2000
Lidský mozek nás odedávna fascinuje.
00:17
for the human brain.
1
17260
2000
00:19
We chart it, we've described it,
2
19260
3000
Zkoumáme jeho anatomii, popisujeme ho,
00:22
we've drawn it,
3
22260
2000
kreslíme
00:24
we've mapped it.
4
24260
3000
a mapujeme.
00:27
Now just like the physical maps of our world
5
27260
3000
Způsob mapování fyzického světa
00:30
that have been highly influenced by technology --
6
30260
3000
výrazně ovlivnila moderní technika.
00:33
think Google Maps,
7
33260
2000
Vzpomeňte na Google Maps
00:35
think GPS --
8
35260
2000
či GPS.
00:37
the same thing is happening for brain mapping
9
37260
2000
Podobným přerodem teď prochází
00:39
through transformation.
10
39260
2000
i mapování mozku.
00:41
So let's take a look at the brain.
11
41260
2000
A tak se na mozek podívejme.
00:43
Most people, when they first look at a fresh human brain,
12
43260
3000
Tohle je surová tkáň mozku.
00:46
they say, "It doesn't look what you're typically looking at
13
46260
3000
Když ji lidé vidí poprvé, jsou překvapení, protože takto mozek neznají.
00:49
when someone shows you a brain."
14
49260
2000
00:51
Typically, what you're looking at is a fixed brain. It's gray.
15
51260
3000
Obvykle se setkáte s šedým, naloženým mozkem.
00:54
And this outer layer, this is the vasculature,
16
54260
2000
Surová tkáň má tzv. vaskulaturu. U lidí je opravdu impozantní.
00:56
which is incredible, around a human brain.
17
56260
2000
00:58
This is the blood vessels.
18
58260
2000
Jsou to vlastně krevní cévy. Mozek spotřebuje 20 % kyslíku,
01:00
20 percent of the oxygen
19
60260
3000
01:03
coming from your lungs,
20
63260
2000
který vyprodukují vaše plíce.
01:05
20 percent of the blood pumped from your heart,
21
65260
2000
20 % krve poháněné srdcem
01:07
is servicing this one organ.
22
67260
2000
využívá jediný orgán,
01:09
That's basically, if you hold two fists together,
23
69260
2000
který je jen o málo větší
01:11
it's just slightly larger than the two fists.
24
71260
2000
než dvě sevřené pěsti.
01:13
Scientists, sort of at the end of the 20th century,
25
73260
3000
Koncem 20. století vědci zjistili,
01:16
learned that they could track blood flow
26
76260
2000
že mohou sledovat tok krve,
01:18
to map non-invasively
27
78260
3000
a tím neinvazivně mapovat
01:21
where activity was going on in the human brain.
28
81260
3000
oblasti mozkové aktivity.
01:24
So for example, they can see in the back part of the brain,
29
84260
3000
Například vidí aktivitu v zadní části mozku,
01:27
which is just turning around there.
30
87260
2000
kde se nachází mozeček.
01:29
There's the cerebellum; that's keeping you upright right now.
31
89260
2000
Díky němu stojíme na nohou. Ovládá rovnováhu
01:31
It's keeping me standing. It's involved in coordinated movement.
32
91260
3000
a koordinaci pohybů.
01:34
On the side here, this is temporal cortex.
33
94260
3000
Tady na straně je spánkový lalok.
01:37
This is the area where primary auditory processing --
34
97260
3000
Je to oblast primárního zpracování zvuků.
01:40
so you're hearing my words,
35
100260
2000
Díky němu mě slyšíte,
01:42
you're sending it up into higher language processing centers.
36
102260
2000
a pak to vysíláte do vyšších jazykových center.
01:44
Towards the front of the brain
37
104260
2000
V přední části mozku je oblast
01:46
is the place in which all of the more complex thought, decision making --
38
106260
3000
složitějšího myšlení a rozhodování.
01:49
it's the last to mature in late adulthood.
39
109260
4000
Rozvíjí se až do pozdní dospělosti.
01:53
This is where all your decision-making processes are going on.
40
113260
3000
Odehrávají se tam všechna vaše rozhodnutí.
01:56
It's the place where you're deciding right now
41
116260
2000
Právě tam si teď říkáte,
01:58
you probably aren't going to order the steak for dinner.
42
118260
3000
že si ten stejk nejspíš dnes k večeři nedáte.
02:01
So if you take a deeper look at the brain,
43
121260
2000
Ponořme se teď hlouběji.
02:03
one of the things, if you look at it in cross-section,
44
123260
2000
Průřez nitrem mozku vypadá,
02:05
what you can see
45
125260
2000
jako by v něm nebylo příliš
02:07
is that you can't really see a whole lot of structure there.
46
127260
3000
rozmanitých struktur.
02:10
But there's actually a lot of structure there.
47
130260
2000
Opak je však pravdou.
02:12
It's cells and it's wires all wired together.
48
132260
2000
Jsou tam buňky a spoje a vše je propojené.
02:14
So about a hundred years ago,
49
134260
2000
Asi před sto lety proto vědci vymysleli,
02:16
some scientists invented a stain that would stain cells.
50
136260
2000
jak buňky obarvit.
02:18
And that's shown here in the the very light blue.
51
138260
3000
Když obarvíte buněčná těla,
02:21
You can see areas
52
141260
2000
vzniknou takovéto světle modré oblasti,
02:23
where neuronal cell bodies are being stained.
53
143260
2000
02:25
And what you can see is it's very non-uniform. You see a lot more structure there.
54
145260
3000
kde rázem vynikne řada různých struktur.
02:28
So the outer part of that brain
55
148260
2000
Té části na okrajích mozku se říká neokortex.
02:30
is the neocortex.
56
150260
2000
02:32
It's one continuous processing unit, if you will.
57
152260
3000
Je to vlastně nepřetržitě činná výpočetní jednotka.
02:35
But you can also see things underneath there as well.
58
155260
2000
Můžete však vidět i to, co je pod ní.
02:37
And all of these blank areas
59
157260
2000
Bezbarvé oblasti mají méně buněk,
02:39
are the areas in which the wires are running through.
60
159260
2000
02:41
They're probably less cell dense.
61
161260
2000
zato tam probíhají spoje.
02:43
So there's about 86 billion neurons in our brain.
62
163260
4000
V mozku máme asi 86 miliard neuronů.
02:47
And as you can see, they're very non-uniformly distributed.
63
167260
3000
Jejich rozmístění je, jak vidíte, velmi nerovnoměrné.
02:50
And how they're distributed really contributes
64
170260
2000
Jejich distribuce úzce souvisí s tím,
02:52
to their underlying function.
65
172260
2000
jakou vykonávají funkci.
02:54
And of course, as I mentioned before,
66
174260
2000
A protože - jak jsem zmiňoval - teď umíme funkce mozku mapovat,
02:56
since we can now start to map brain function,
67
176260
3000
02:59
we can start to tie these into the individual cells.
68
179260
3000
můžeme je spojovat s jednotlivými buňkami.
03:02
So let's take a deeper look.
69
182260
2000
Pojďme ještě hlouběji.
03:04
Let's look at neurons.
70
184260
2000
Prohlédněme si neurony.
03:06
So as I mentioned, there are 86 billion neurons.
71
186260
2000
Kromě těch 86 miliard neuronů
03:08
There are also these smaller cells as you'll see.
72
188260
2000
můžete vidět i menší, podpůrné buňky,
03:10
These are support cells -- astrocytes glia.
73
190260
2000
zvané astrocyty.
03:12
And the nerves themselves
74
192260
3000
Nervy jako celek mají na starost přijímání signálů.
03:15
are the ones who are receiving input.
75
195260
2000
03:17
They're storing it, they're processing it.
76
197260
2000
Zpracovávají je a ukládají.
03:19
Each neuron is connected via synapses
77
199260
4000
Prostřednictvím synapsí je každý neuron vašeho mozku
03:23
to up to 10,000 other neurons in your brain.
78
203260
3000
propojen až s 10 tisíci dalšími.
03:26
And each neuron itself
79
206260
2000
Každý neuron je přitom
03:28
is largely unique.
80
208260
2000
vysoce unikátní.
03:30
The unique character of both individual neurons
81
210260
2000
Jedinečnost jednotlivých neuronů,
03:32
and neurons within a collection of the brain
82
212260
2000
ale i celé mozkové neurální sítě
03:34
are driven by fundamental properties
83
214260
3000
vyplývá z fundamentálních vlastností jejich vnitřní biochemie.
03:37
of their underlying biochemistry.
84
217260
2000
03:39
These are proteins.
85
219260
2000
Tohle jsou bílkoviny.
03:41
They're proteins that are controlling things like ion channel movement.
86
221260
3000
Kontrolují například, jak proudí ionty v kanálcích
03:44
They're controlling who nervous system cells partner up with.
87
224260
4000
nebo jak se buňky nervové soustavy spojují.
03:48
And they're controlling
88
228260
2000
Vlastně kontrolují
03:50
basically everything that the nervous system has to do.
89
230260
2000
veškerou činnost nervové soustavy.
03:52
So if we zoom in to an even deeper level,
90
232260
3000
Teď zaostříme ještě o úroveň dál.
03:55
all of those proteins
91
235260
2000
Všechny bílkoviny
03:57
are encoded by our genomes.
92
237260
2000
jsou zakódované našimi geny.
03:59
We each have 23 pairs of chromosomes.
93
239260
3000
Každý máme 23 párů chromozomů.
04:02
We get one from mom, one from dad.
94
242260
2000
Jeden od mámy, jeden od táty.
04:04
And on these chromosomes
95
244260
2000
Chromozomy zahrnují
04:06
are roughly 25,000 genes.
96
246260
2000
asi 25 tisíc genů.
04:08
They're encoded in the DNA.
97
248260
2000
Jsou zakódované v DNA.
04:10
And the nature of a given cell
98
250260
3000
Funkce libovolné buňky, vyplývající z její biochemie,
04:13
driving its underlying biochemistry
99
253260
2000
04:15
is dictated by which of these 25,000 genes
100
255260
3000
je dána tím, které z těch 25 tisíc genů jsou zapnuté
04:18
are turned on
101
258260
2000
04:20
and at what level they're turned on.
102
260260
2000
a v jaké míře jsou zapnuté.
04:22
And so our project
103
262260
2000
Náš projekt
04:24
is seeking to look at this readout,
104
264260
3000
se snaží právě taková data zjišťovat.
04:27
understanding which of these 25,000 genes is turned on.
105
267260
3000
Zjišťovat, které geny z těch 25 tisíc jsou zapnuté.
04:30
So in order to undertake such a project,
106
270260
3000
Pochopitelně, že k tomu
potřebujeme materiál v podobě mozků.
04:33
we obviously need brains.
107
273260
3000
04:36
So we sent our lab technician out.
108
276260
3000
A tak vysíláme naše pomocníky. (Smích.)
04:39
We were seeking normal human brains.
109
279260
2000
Hledáme normální lidské mozky.
04:41
What we actually start with
110
281260
2000
Obvykle takové hledání
04:43
is a medical examiner's office.
111
283260
2000
začíná návštěvou patologa,
04:45
This a place where the dead are brought in.
112
285260
2000
k němuž se vozí mrtvá těla.
04:47
We are seeking normal human brains.
113
287260
2000
Hledáme "normální" mozek.
04:49
There's a lot of criteria by which we're selecting these brains.
114
289260
3000
Vybíráme ho podle řady kritérií.
04:52
We want to make sure
115
292260
2000
Musí to být mozek normálního člověka ve věku 20-60 let,
04:54
that we have normal humans between the ages of 20 to 60,
116
294260
3000
04:57
they died a somewhat natural death
117
297260
2000
který umřel přirozenou smrtí a jeho mozek nebyl poškozen,
04:59
with no injury to the brain,
118
299260
2000
05:01
no history of psychiatric disease,
119
301260
2000
netrpěl žádnou psychickou chorobou a nebral drogy -
05:03
no drugs on board --
120
303260
2000
05:05
we do a toxicology workup.
121
305260
2000
provádíme toxikologické vyšetření.
05:07
And we're very careful
122
307260
2000
Na výběru mozku si tedy dáváme velmi záležet.
05:09
about the brains that we do take.
123
309260
2000
05:11
We're also selecting for brains
124
311260
2000
Navíc vybíráme mozky, u nichž můžeme odebrat tkáň
05:13
in which we can get the tissue,
125
313260
2000
05:15
we can get consent to take the tissue
126
315260
2000
(a dostat k tomu povolení) do 24 hodin od smrti.
05:17
within 24 hours of time of death.
127
317260
2000
05:19
Because what we're trying to measure, the RNA --
128
319260
3000
Abychom získali údaje o genech,
05:22
which is the readout from our genes --
129
322260
2000
potřebujeme totiž získat RNA,
05:24
is very labile,
130
324260
2000
a ta je velmi nestabilní,
05:26
and so we have to move very quickly.
131
326260
2000
a tak si musíme pospíšit.
05:28
One side note on the collection of brains:
132
328260
3000
Ještě jedna poznámka na okraj:
05:31
because of the way that we collect,
133
331260
2000
kvůli kritériím výběru
05:33
and because we require consent,
134
333260
2000
a nutnosti mít povolení
05:35
we actually have a lot more male brains than female brains.
135
335260
3000
máme o dost víc mužských než ženských mozků.
05:38
Males are much more likely to die an accidental death in the prime of their life.
136
338260
3000
Muži výrazně častěji umírají na vrcholu sil
05:41
And men are much more likely
137
341260
2000
a jejich manželky nám dávají souhlas k odběru mnohem ochotněji,
05:43
to have their significant other, spouse, give consent
138
343260
3000
05:46
than the other way around.
139
346260
2000
než když je to v opačném gardu.
05:48
(Laughter)
140
348260
4000
(Smích.)
05:52
So the first thing that we do at the site of collection
141
352260
2000
Po výběru mozku nejdříve uděláme takovýto snímek
05:54
is we collect what's called an MR.
142
354260
2000
s pomocí magnetické rezonance: MRI.
05:56
This is magnetic resonance imaging -- MRI.
143
356260
2000
05:58
It's a standard template by which we're going to hang the rest of this data.
144
358260
3000
Vznikne tak výchozí šablona, kam doplňujeme další data.
06:01
So we collect this MR.
145
361260
2000
Snímky MRI jsou pro nás něco jako satelitní mapy.
06:03
And you can think of this as our satellite view for our map.
146
363260
2000
06:05
The next thing we do
147
365260
2000
Potom provedeme takzvanou DTI traktografii.
06:07
is we collect what's called a diffusion tensor imaging.
148
367260
3000
06:10
This maps the large cabling in the brain.
149
370260
2000
Ta v mozku zmapuje nervové dráhy.
06:12
And again, you can think of this
150
372260
2000
Je to něco jako mapa vnitrostátních dálnic.
06:14
as almost mapping our interstate highways, if you will.
151
374260
2000
06:16
The brain is removed from the skull,
152
376260
2000
Pak mozek vyjmeme z lebky
06:18
and then it's sliced into one-centimeter slices.
153
378260
3000
a nařežeme ho na centimetr silné plátky.
06:21
And those are frozen solid,
154
381260
2000
Mozky jsou hluboce zmražené, aby vydržely transport do Seattlu.
06:23
and they're shipped to Seattle.
155
383260
2000
06:25
And in Seattle, we take these --
156
385260
2000
Pak je bereme po celých hemisférách
06:27
this is a whole human hemisphere --
157
387260
2000
06:29
and we put them into what's basically a glorified meat slicer.
158
389260
2000
a řežeme na přístroji s čepelí, vlastně je to takový kráječ masa.
06:31
There's a blade here that's going to cut across
159
391260
2000
06:33
a section of the tissue
160
393260
2000
Oddělenou tkáň pak položíme na mikroskopické sklíčko.
06:35
and transfer it to a microscope slide.
161
395260
2000
06:37
We're going to then apply one of those stains to it,
162
397260
2000
Pak do ní vpravíme barvivo a naskenujeme ji.
06:39
and we scan it.
163
399260
2000
06:41
And then what we get is our first mapping.
164
401260
3000
A odborníci na anatomii vyznačí základní anatomické oblasti,
06:44
So this is where experts come in
165
404260
2000
06:46
and they make basic anatomic assignments.
166
406260
2000
čímž vytvoří naši první mapu.
06:48
You could consider this state boundaries, if you will,
167
408260
3000
Je to něco jako mapa států, kde vidíte jasná ohraničení.
06:51
those pretty broad outlines.
168
411260
2000
06:53
From this, we're able to then fragment that brain into further pieces,
169
413260
4000
Potom můžeme mozek rozdělit na další kousky,
06:57
which then we can put on a smaller cryostat.
170
417260
2000
které se vejdou do menšího kryostatu.
06:59
And this is just showing this here --
171
419260
2000
Zmražená tkáň se dál nařeže na plátky
07:01
this frozen tissue, and it's being cut.
172
421260
2000
07:03
This is 20 microns thin, so this is about a baby hair's width.
173
423260
3000
tlusté 20 mikronů, tedy jako dětský vlásek.
07:06
And remember, it's frozen.
174
426260
2000
Vše je pořád zmražené.
07:08
And so you can see here,
175
428260
2000
Tady vidíte, že pracujeme i postaru, se štětečkem.
07:10
old-fashioned technology of the paintbrush being applied.
176
430260
2000
07:12
We take a microscope slide.
177
432260
2000
Potom vezmeme mikroskopické sklíčko
07:14
Then we very carefully melt onto the slide.
178
434260
3000
a opatrně do něj tkáň vtiskneme.
07:17
This will then go onto a robot
179
437260
2000
Později na to bude roboticky aplikováno barvivo.
07:19
that's going to apply one of those stains to it.
180
439260
3000
07:26
And our anatomists are going to go in and take a deeper look at this.
181
446260
3000
Takhle to pak naši anatomové
07:29
So again this is what they can see under the microscope.
182
449260
2000
podrobně vidí pod mikroskopem.
07:31
You can see collections and configurations
183
451260
2000
Jsou to soubory různě nahloučených a uspořádaných velkých i malých buněk.
07:33
of large and small cells
184
453260
2000
07:35
in clusters and various places.
185
455260
2000
07:37
And from there it's routine. They understand where to make these assignments.
186
457260
2000
Anatomové pak určí jednotlivé části
07:39
And they can make basically what's a reference atlas.
187
459260
3000
a vznikne něco jako popisný atlas či propracovanější mapa.
07:42
This is a more detailed map.
188
462260
2000
07:44
Our scientists then use this
189
464260
2000
S pomocí tohoto přístroje pak vědci zkoumají další části tkáně
07:46
to go back to another piece of that tissue
190
466260
3000
07:49
and do what's called laser scanning microdissection.
191
469260
2000
a provádějí mikrořezy s pomocí laseru.
07:51
So the technician takes the instructions.
192
471260
3000
To znamená, že technici podle instrukcí vyznačí určitou oblast,
07:54
They scribe along a place there.
193
474260
2000
07:56
And then the laser actually cuts.
194
476260
2000
a potom ji vyřízne laser (ta modrá tečka na monitoru).
07:58
You can see that blue dot there cutting. And that tissue falls off.
195
478260
3000
Tady vidíte, jak to probíhá v reálu na mikroskopickém sklíčku.
08:01
You can see on the microscope slide here,
196
481260
2000
08:03
that's what's happening in real time.
197
483260
2000
08:05
There's a container underneath that's collecting that tissue.
198
485260
3000
Vespod je nádobka, kam ta tkáň odpadne.
08:08
We take that tissue,
199
488260
2000
A my z té tkáně za použití běžné techniky dostaneme RNA.
08:10
we purify the RNA out of it
200
490260
2000
08:12
using some basic technology,
201
492260
2000
08:14
and then we put a florescent tag on it.
202
494260
2000
Tu RNA označíme fluorescenční značkou a celé to potom vložíme na destičku
08:16
We take that tagged material
203
496260
2000
08:18
and we put it on to something called a microarray.
204
498260
3000
zvanou "DNA čip".
08:21
Now this may look like a bunch of dots to you,
205
501260
2000
Asi vám to připadá jako změť teček,
08:23
but each one of these individual dots
206
503260
2000
ale jsou to vlastně
08:25
is actually a unique piece of the human genome
207
505260
2000
jedinečné části lidského genomu,
08:27
that we spotted down on glass.
208
507260
2000
který jsme umístili na destičku.
08:29
This has roughly 60,000 elements on it,
209
509260
3000
Takových částí je tu asi 60 tisíc.
08:32
so we repeatedly measure various genes
210
512260
3000
My takto opakovaně zkoumáme různé geny celého genomu.
08:35
of the 25,000 genes in the genome.
211
515260
2000
08:37
And when we take a sample and we hybridize it to it,
212
517260
3000
Provádíme takzvanou hybridizaci
08:40
we get a unique fingerprint, if you will,
213
520260
2000
a získáváme něco jako jedinečný otisk prstu,
08:42
quantitatively of what genes are turned on in that sample.
214
522260
3000
kvantitativní obraz genů, jež jsou zapnuté.
08:45
Now we do this over and over again,
215
525260
2000
A to děláme pořád dokola na všech zkoumaných mozcích.
08:47
this process for any given brain.
216
527260
3000
08:50
We're taking over a thousand samples for each brain.
217
530260
3000
Z každého z nich získáme přes tisíc vzorků.
08:53
This area shown here is an area called the hippocampus.
218
533260
3000
Tady vidíte oblast zvanou hipokampus.
08:56
It's involved in learning and memory.
219
536260
2000
Podílí se na procesech učení a paměti.
08:58
And it contributes to about 70 samples
220
538260
3000
Z celkové tisícovky vzorků jich je asi 70 právě odsud.
09:01
of those thousand samples.
221
541260
2000
09:03
So each sample gets us about 50,000 data points
222
543260
4000
V každém vzorku je asi 50 tisíc "teček" čili dat.
09:07
with repeat measurements, a thousand samples.
223
547260
3000
Z jednoho mozku máme tisíc vzorků.
09:10
So roughly, we have 50 million data points
224
550260
2000
Tudíž z každého mozku získáme zhruba 50 milionů dat.
09:12
for a given human brain.
225
552260
2000
09:14
We've done right now
226
554260
2000
Zatím jsme nasbírali data odpovídající dvěma mozkům.
09:16
two human brains-worth of data.
227
556260
2000
09:18
We've put all of that together
228
558260
2000
Dali jsme to všechno dohromady
09:20
into one thing,
229
560260
2000
a teď vám ukážu výslednou syntézu.
09:22
and I'll show you what that synthesis looks like.
230
562260
2000
09:24
It's basically a large data set of information
231
564260
3000
Vznikla vlastně ohromná databáze informací
09:27
that's all freely available to any scientist around the world.
232
567260
3000
volně dostupných vědcům z celého světa.
09:30
They don't even have to log in to come use this tool,
233
570260
3000
Nemusí se nikam přihlašovat; můžou data hned čerpat
09:33
mine this data, find interesting things out with this.
234
573260
4000
a hledat, co je zajímá.
09:37
So here's the modalities that we put together.
235
577260
3000
Tohle je tedy náš výstup.
09:40
You'll start to recognize these things from what we've collected before.
236
580260
3000
Budete v něm poznávat, co už jsme si ukázali.
09:43
Here's the MR. It provides the framework.
237
583260
2000
Tohle je výchozí šablona MRI.
09:45
There's an operator side on the right that allows you to turn,
238
585260
3000
S pomocí ovládání napravo si můžete mozek natáčet,
09:48
it allows you to zoom in,
239
588260
2000
přibližovat si ho
09:50
it allows you to highlight individual structures.
240
590260
3000
nebo si prohlížet konkrétní struktury.
09:53
But most importantly,
241
593260
2000
Hlavně však
09:55
we're now mapping into this anatomic framework,
242
595260
3000
můžeme na tomto názorném anatomickém podkladu
09:58
which is a common framework for people to understand where genes are turned on.
243
598260
3000
mapovat oblasti, v nichž je ten který gen zapnutý.
10:01
So the red levels
244
601260
2000
V těch červených oblastech je daný gen hojně zapnutý.
10:03
are where a gene is turned on to a great degree.
245
603260
2000
10:05
Green is the sort of cool areas where it's not turned on.
246
605260
3000
V zelených oblastech je daný gen naopak vypnutý.
10:08
And each gene gives us a fingerprint.
247
608260
2000
Každý gen má takovýto "otisk prstu".
10:10
And remember that we've assayed all the 25,000 genes in the genome
248
610260
5000
A těch otisků je v každém genomu 25 tisíc
10:15
and have all of that data available.
249
615260
4000
a my jsme je všechny zpřístupnili.
10:19
So what can scientists learn about this data?
250
619260
2000
Co z těch "otisků" mohou vědci zjistit? My sami to teprve zkoumáme.
10:21
We're just starting to look at this data ourselves.
251
621260
3000
10:24
There's some basic things that you would want to understand.
252
624260
3000
Ale máme okruh základních problémů.
10:27
Two great examples are drugs,
253
627260
2000
Skvělým příkladem jsou léky jako Prozac a Wellbutrin.
10:29
Prozac and Wellbutrin.
254
629260
2000
10:31
These are commonly prescribed antidepressants.
255
631260
3000
Jsou to hojně předepisovaná antidepresiva.
10:34
Now remember, we're assaying genes.
256
634260
2000
My sice zkoumáme geny,
10:36
Genes send the instructions to make proteins.
257
636260
3000
ale na základě genových instrukcí vznikají bílkoviny
10:39
Proteins are targets for drugs.
258
639260
2000
- a na bílkoviny působí léky.
10:41
So drugs bind to proteins
259
641260
2000
Léky se mohou vázat na bílkoviny a například je vypínat.
10:43
and either turn them off, etc.
260
643260
2000
10:45
So if you want to understand the action of drugs,
261
645260
2000
Pochopit, jak účinkují léky,
10:47
you want to understand how they're acting in the ways you want them to,
262
647260
3000
znamená pochopit jejich žádoucí, ale i nežádoucí účinky na bílkoviny.
10:50
and also in the ways you don't want them to.
263
650260
2000
10:52
In the side effect profile, etc.,
264
652260
2000
Vedlejší účinky jsou ovlivněné tím, kde jsou zapnuté určité geny.
10:54
you want to see where those genes are turned on.
265
654260
2000
10:56
And for the first time, we can actually do that.
266
656260
2000
A my to teď umíme zjišťovat. Navíc máme vzorky z více jedinců.
10:58
We can do that in multiple individuals that we've assayed too.
267
658260
3000
11:01
So now we can look throughout the brain.
268
661260
3000
Můžeme vidět cokoli, co v mozku je.
11:04
We can see this unique fingerprint.
269
664260
2000
Máme "otisk prstu" od každého genu. Snadno tak zjistíme,
11:06
And we get confirmation.
270
666260
2000
11:08
We get confirmation that, indeed, the gene is turned on --
271
668260
3000
jestli jsou například zapnuté určité geny v serotoninové oblasti,
11:11
for something like Prozac,
272
671260
2000
11:13
in serotonergic structures, things that are already known be affected --
273
673260
3000
o které víme, že na ni působí Prozac.
11:16
but we also get to see the whole thing.
274
676260
2000
Ale potom taky můžeme prozkoumat další oblasti, a pokud tam
11:18
We also get to see areas that no one has ever looked at before,
275
678260
2000
11:20
and we see these genes turned on there.
276
680260
2000
najdeme zapnuté tytéž geny,
11:22
It's as interesting a side effect as it could be.
277
682260
3000
víme, že tam hrozí vedlejší účinky.
11:25
One other thing you can do with such a thing
278
685260
2000
A můžeme dělat i další věci.
11:27
is you can, because it's a pattern matching exercise,
279
687260
3000
Náš postup je založen na srovnávání "otisků prstů" v databázi.
11:30
because there's unique fingerprint,
280
690260
2000
11:32
we can actually scan through the entire genome
281
692260
2000
Můžeme tedy napříč celým genomem
11:34
and find other proteins
282
694260
2000
hledat bílkoviny s podobným "otiskem prstu".
11:36
that show a similar fingerprint.
283
696260
2000
11:38
So if you're in drug discovery, for example,
284
698260
3000
Při vývoji léků si tak například můžete
11:41
you can go through
285
701260
2000
prohlédnout všechny bílkoviny,
11:43
an entire listing of what the genome has on offer
286
703260
2000
které má genom "na skladě",
11:45
to find perhaps better drug targets and optimize.
287
705260
4000
a optimalizovat léky, aby působily na co nejvhodnější cíle.
11:49
Most of you are probably familiar
288
709260
2000
Většina z vás asi zná studie o genetické podmíněnosti
11:51
with genome-wide association studies
289
711260
2000
11:53
in the form of people covering in the news
290
713260
3000
v podobě novinových zpráv typu:
11:56
saying, "Scientists have recently discovered the gene or genes
291
716260
3000
"Vědci právě objevili gen, který je zodpovědný za to či ono."
11:59
which affect X."
292
719260
2000
12:01
And so these kinds of studies
293
721260
2000
Takové studie jsou běžné a vznikají na základě rozborů
12:03
are routinely published by scientists
294
723260
2000
12:05
and they're great. They analyze large populations.
295
725260
2000
celých genomů u velkých vzorků populace.
12:07
They look at their entire genomes,
296
727260
2000
12:09
and they try to find hot spots of activity
297
729260
2000
Vědci v nich hledají žhavé kandidáty na projevy zapříčiněné geny.
12:11
that are linked causally to genes.
298
731260
3000
12:14
But what you get out of such an exercise
299
734260
2000
Tímhle postupem ale získáte pouze seznam genů,
12:16
is simply a list of genes.
300
736260
2000
12:18
It tells you the what, but it doesn't tell you the where.
301
738260
3000
aniž víte, kde jsou ty geny zapnuté.
12:21
And so it's very important for those researchers
302
741260
3000
My jsme teď takovým výzkumníkům poskytli velmi důležitou možnost,
12:24
that we've created this resource.
303
744260
2000
12:26
Now they can come in
304
746260
2000
aby získali povědomí o projevech genů.
12:28
and they can start to get clues about activity.
305
748260
2000
12:30
They can start to look at common pathways --
306
750260
2000
Mohou zkoumat tzv. "společné cesty" [common pathways], což dříve nemohli.
12:32
other things that they simply haven't been able to do before.
307
752260
3000
12:36
So I think this audience in particular
308
756260
3000
Vy všichni tady jistě dobře víte,
12:39
can understand the importance of individuality.
309
759260
3000
jak důležitá je individualita.
12:42
And I think every human,
310
762260
2000
Všichni víme, že každý člověk má
12:44
we all have different genetic backgrounds,
311
764260
4000
jinou genetickou výbavu
12:48
we all have lived separate lives.
312
768260
2000
a vede trochu jiný život.
12:50
But the fact is
313
770260
2000
Přesto platí,
12:52
our genomes are greater than 99 percent similar.
314
772260
3000
že naše genomy si jsou z více než 99 % podobné.
12:55
We're similar at the genetic level.
315
775260
3000
Geneticky jsme si velmi podobní.
12:58
And what we're finding
316
778260
2000
A jak jsme zjistili, jsme si dost podobní i s ohledem
13:00
is actually, even at the brain biochemical level,
317
780260
2000
13:02
we are quite similar.
318
782260
2000
na biochemii mozku.
13:04
And so this shows it's not 99 percent,
319
784260
2000
Není to sice 99 %, ale střízlivá horní hranice
13:06
but it's roughly 90 percent correspondence
320
786260
2000
13:08
at a reasonable cutoff,
321
788260
3000
může být asi 90 %,
13:11
so everything in the cloud is roughly correlated.
322
791260
2000
takže základ je vesměs stejný.
13:13
And then we find some outliers,
323
793260
2000
Jsou tu ovšem i odchylky; věci, co nepatří do průniku.
13:15
some things that lie beyond the cloud.
324
795260
3000
13:18
And those genes are interesting,
325
798260
2000
Jde o velmi zajímavé, ale nepatrné geny.
13:20
but they're very subtle.
326
800260
2000
13:22
So I think it's an important message
327
802260
3000
Tento poznatek stojí za to vypíchnout a pamatovat na něj.
13:25
to take home today
328
805260
2000
13:27
that even though we celebrate all of our differences,
329
807260
3000
Ačkoli oslavujeme naši rozmanitost, jsme si docela podobní
13:30
we are quite similar
330
810260
2000
13:32
even at the brain level.
331
812260
2000
- i z pohledu našich mozků.
13:34
Now what do those differences look like?
332
814260
2000
Jak ale vypadají rozdíly?
13:36
This is an example of a study that we did
333
816260
2000
Tohle je příkladová studie,
13:38
to follow up and see what exactly those differences were --
334
818260
2000
kde jsme po takových rozdílech pátrali, ale jsou jen drobné.
13:40
and they're quite subtle.
335
820260
2000
13:42
These are things where genes are turned on in an individual cell type.
336
822260
4000
Zkoumali jsme, jak jsou geny zapnuté u jednotlivých typů buněk.
13:46
These are two genes that we found as good examples.
337
826260
3000
Tohle jsou dva geny vybrané jako příklad.
13:49
One is called RELN -- it's involved in early developmental cues.
338
829260
3000
Gen RELN hraje roli při raném vývoji mozku.
13:52
DISC1 is a gene
339
832260
2000
Narušení genu DISC1 je spojováno se schizofrenií.
13:54
that's deleted in schizophrenia.
340
834260
2000
13:56
These aren't schizophrenic individuals,
341
836260
2000
Tyhle vzorky nejsou od schizofreniků, ale vykazují určitou variabilitu.
13:58
but they do show some population variation.
342
838260
3000
14:01
And so what you're looking at here
343
841260
2000
Můžete proto vidět, že vzorky od dárců 1 a 4
14:03
in donor one and donor four,
344
843260
2000
14:05
which are the exceptions to the other two,
345
845260
2000
mají na rozdíl od ostatních
14:07
that genes are being turned on
346
847260
2000
tyto geny zapnuté u specifické podmnožiny buněk.
14:09
in a very specific subset of cells.
347
849260
2000
14:11
It's this dark purple precipitate within the cell
348
851260
3000
To nám prozrazují ty temně fialové sraženiny.
14:14
that's telling us a gene is turned on there.
349
854260
3000
14:17
Whether or not that's due
350
857260
2000
Nevíme, zda je to dáno geneticky nebo okolnostmi vývoje.
14:19
to an individual's genetic background or their experiences,
351
859260
2000
14:21
we don't know.
352
861260
2000
14:23
Those kinds of studies require much larger populations.
353
863260
3000
Potřebovali bychom mnohem větší vzorek populace.
14:28
So I'm going to leave you with a final note
354
868260
2000
Na závěr lze tedy říci, že mozek je nesmírně složitý
14:30
about the complexity of the brain
355
870260
3000
14:33
and how much more we have to go.
356
873260
2000
a pořád nám toho zbývá spoustu zjistit.
14:35
I think these resources are incredibly valuable.
357
875260
2000
Naše databáze je mimořádně cenná. Poskytuje vědcům určitá vodítka.
14:37
They give researchers a handle
358
877260
2000
14:39
on where to go.
359
879260
2000
14:41
But we only looked at a handful of individuals at this point.
360
881260
3000
Musíme však analyzovat větší počet mozků. Zatím jich máme jen pár.
14:44
We're certainly going to be looking at more.
361
884260
2000
14:46
I'll just close by saying
362
886260
2000
Rozloučím se konstatováním, že nástroje máme,
14:48
that the tools are there,
363
888260
2000
14:50
and this is truly an unexplored, undiscovered continent.
364
890260
4000
ale stále před námi leží neprobádaný kontinent.
14:54
This is the new frontier, if you will.
365
894260
4000
Leží před nám neznámé teritorium.
14:58
And so for those who are undaunted,
366
898260
2000
Před složitostí mozku musíme mít respekt,
15:00
but humbled by the complexity of the brain,
367
900260
2000
ale zároveň se nezaleknout.
15:02
the future awaits.
368
902260
2000
To je cesta k budoucnosti. Děkuji.
15:04
Thanks.
369
904260
2000
15:06
(Applause)
370
906260
9000
(Potlesk.)

Original video on YouTube.com
O tomto webu

Tato stránka vám představí videa na YouTube, která jsou užitečná pro výuku angličtiny. Uvidíte lekce angličtiny vedené špičkovými učiteli z celého světa. Dvojklikem na anglické titulky zobrazené na každé stránce s videem si video přehrajete přímo odtud. Titulky se posouvají synchronizovaně s přehráváním videa. Pokud máte nějaké připomínky nebo požadavky, kontaktujte nás prosím pomocí tohoto kontaktního formuláře.

https://forms.gle/WvT1wiN1qDtmnspy7