Allan Jones: A map of the brain

162,266 views ・ 2011-11-10

TED


Dobbeltklik venligst på de engelske undertekster nedenfor for at afspille videoen.

Translator: David J. Kreps Finnemann Reviewer: Anders Finn Jørgensen
00:15
Humans have long held a fascination
0
15260
2000
Mennesker har længe haft en fascination
00:17
for the human brain.
1
17260
2000
af den menneskelige hjerne.
00:19
We chart it, we've described it,
2
19260
3000
Vi skemalagt den, vi har beskrevet den,
00:22
we've drawn it,
3
22260
2000
vi har tegnet den,
00:24
we've mapped it.
4
24260
3000
vi har kortlagt den.
00:27
Now just like the physical maps of our world
5
27260
3000
Ligesom de fysiske kort i vores verden
00:30
that have been highly influenced by technology --
6
30260
3000
der er blevet særdeles påvirket af teknologi --
00:33
think Google Maps,
7
33260
2000
tænk på Google Maps,
00:35
think GPS --
8
35260
2000
tænk på GPS --
00:37
the same thing is happening for brain mapping
9
37260
2000
det samme sker for at kortlægge hjernen
00:39
through transformation.
10
39260
2000
gennem transformation.
00:41
So let's take a look at the brain.
11
41260
2000
Så lad os kaste et blik på hjernen.
00:43
Most people, when they first look at a fresh human brain,
12
43260
3000
De fleste mennesker, når de for første gang kigger på en frisk menneske hjerne
00:46
they say, "It doesn't look what you're typically looking at
13
46260
3000
siger de, "Det ligner ikke det som man typisk kigger på
00:49
when someone shows you a brain."
14
49260
2000
når nogen viser en en hjerne."
00:51
Typically, what you're looking at is a fixed brain. It's gray.
15
51260
3000
Typisk, det man kigger på er en fikseret hjerne. Den er grå.
00:54
And this outer layer, this is the vasculature,
16
54260
2000
Og dette ydre lag, dette er blodkarvævet,
00:56
which is incredible, around a human brain.
17
56260
2000
som er utroligt, rundt om den menneskelige hjerne.
00:58
This is the blood vessels.
18
58260
2000
Dette er blodkarene.
01:00
20 percent of the oxygen
19
60260
3000
20 procent af ilten
01:03
coming from your lungs,
20
63260
2000
kommer fra ens lunger,
01:05
20 percent of the blood pumped from your heart,
21
65260
2000
20 procent af blodet der bliver pumpet fra ens hjerte,
01:07
is servicing this one organ.
22
67260
2000
servicerer dette ene organ.
01:09
That's basically, if you hold two fists together,
23
69260
2000
Det er dybest set, hvis man holder to knytnæver sammen,
01:11
it's just slightly larger than the two fists.
24
71260
2000
er den lidt større end de to knytnæver.
01:13
Scientists, sort of at the end of the 20th century,
25
73260
3000
Forskere, mere eller mindre fra slutningen af det 20. århundrede,
01:16
learned that they could track blood flow
26
76260
2000
lærte at de kunne spore blodtilførslen
01:18
to map non-invasively
27
78260
3000
for non-invasivt at kortlægge
01:21
where activity was going on in the human brain.
28
81260
3000
hvor aktiviteten foregik i den menneskelige hjerne.
01:24
So for example, they can see in the back part of the brain,
29
84260
3000
Så for eksempel, de kan se i den bagerste del af hjernen,
01:27
which is just turning around there.
30
87260
2000
som bare vender sig rundt her.
01:29
There's the cerebellum; that's keeping you upright right now.
31
89260
2000
Der er lillehjernen; det er den der holder en oprejst lige nu.
01:31
It's keeping me standing. It's involved in coordinated movement.
32
91260
3000
Den holder mig oprejst. Den er involveret i koordineret bevægelse.
01:34
On the side here, this is temporal cortex.
33
94260
3000
I den ene side her, er dette er den temporale cortex.
01:37
This is the area where primary auditory processing --
34
97260
3000
Dette er området hvor den primære auditive behandling foregår --
01:40
so you're hearing my words,
35
100260
2000
så I hører mine ord,
01:42
you're sending it up into higher language processing centers.
36
102260
2000
I sender det op til de højere sprogbehandlingscentre.
01:44
Towards the front of the brain
37
104260
2000
I den forreste del af hjernen
01:46
is the place in which all of the more complex thought, decision making --
38
106260
3000
er stedet hvor alle de mere komplekse tanker, beslutningstagning --
01:49
it's the last to mature in late adulthood.
39
109260
4000
det er det sidste der modnes sent i voksenlivet.
01:53
This is where all your decision-making processes are going on.
40
113260
3000
Det er der al ens beslutningstagning foregår.
01:56
It's the place where you're deciding right now
41
116260
2000
Det er stedet hvor I lige nu beslutter
01:58
you probably aren't going to order the steak for dinner.
42
118260
3000
at I nok ikke vil bestille steaken til aftensmad.
02:01
So if you take a deeper look at the brain,
43
121260
2000
Så hvis man kigger nærmere på hjernen,
02:03
one of the things, if you look at it in cross-section,
44
123260
2000
en af de ting, hvis man ser på det i tværsnit,
02:05
what you can see
45
125260
2000
det man kan se
02:07
is that you can't really see a whole lot of structure there.
46
127260
3000
er at man faktisk ikke kan se en masse struktur der.
02:10
But there's actually a lot of structure there.
47
130260
2000
Men der er faktisk en masse struktur.
02:12
It's cells and it's wires all wired together.
48
132260
2000
Det er celler og det er ledninger altsammen forbundet.
02:14
So about a hundred years ago,
49
134260
2000
Så for cirka hundrede år siden,
02:16
some scientists invented a stain that would stain cells.
50
136260
2000
opfandt forskere en stof der kunne farve celler.
02:18
And that's shown here in the the very light blue.
51
138260
3000
Og det bliver vist her i meget lyst blåt.
02:21
You can see areas
52
141260
2000
Man kan se områderne
02:23
where neuronal cell bodies are being stained.
53
143260
2000
hvor de neuronale celler er farvet.
02:25
And what you can see is it's very non-uniform. You see a lot more structure there.
54
145260
3000
Og det man kan se er meget ujævnt. Man kan se meget mere struktur der.
02:28
So the outer part of that brain
55
148260
2000
Så den ydre del af den hjerne
02:30
is the neocortex.
56
150260
2000
er neocortex.
02:32
It's one continuous processing unit, if you will.
57
152260
3000
Det er en kontinuerlig databehandlingsenhed, om man vil.
02:35
But you can also see things underneath there as well.
58
155260
2000
Men man kan også se ting derunder.
02:37
And all of these blank areas
59
157260
2000
Og alle disse blanke områder
02:39
are the areas in which the wires are running through.
60
159260
2000
er de områder som forbindelserne går gennem.
02:41
They're probably less cell dense.
61
161260
2000
Det er muligvis ikke så tætte celler.
02:43
So there's about 86 billion neurons in our brain.
62
163260
4000
Så der er cirka 86 milliarder neuroner i vores hjerne.
02:47
And as you can see, they're very non-uniformly distributed.
63
167260
3000
Og som I kan se, er de fordelt meget ujævnt.
02:50
And how they're distributed really contributes
64
170260
2000
Og hvordan de er blevet fordelt medvirker
02:52
to their underlying function.
65
172260
2000
til deres underliggende funktion.
02:54
And of course, as I mentioned before,
66
174260
2000
Og selvfølgelig, som jeg nævnte før,
02:56
since we can now start to map brain function,
67
176260
3000
siden vi nu kan begynde at kortlægge hjernefunktionerne,
02:59
we can start to tie these into the individual cells.
68
179260
3000
kan vi begynde at knytte disse til de individuelle celler.
03:02
So let's take a deeper look.
69
182260
2000
Så lad os kaste et nærmere blik.
03:04
Let's look at neurons.
70
184260
2000
Lad os se på neuronerne.
03:06
So as I mentioned, there are 86 billion neurons.
71
186260
2000
Som jeg nævnte, er der 86 milliarder neuroner.
03:08
There are also these smaller cells as you'll see.
72
188260
2000
Der er også disse mindre celler som I kan se.
03:10
These are support cells -- astrocytes glia.
73
190260
2000
Dette er støtteceller -- astrocytes glia.
03:12
And the nerves themselves
74
192260
3000
Og selve nerverne
03:15
are the ones who are receiving input.
75
195260
2000
er dem der modtager input.
03:17
They're storing it, they're processing it.
76
197260
2000
De opbevarer det, de behandler det.
03:19
Each neuron is connected via synapses
77
199260
4000
Hver neuron er forbundet via synapser
03:23
to up to 10,000 other neurons in your brain.
78
203260
3000
til op til 10.000 andre neuroner i ens hjerne.
03:26
And each neuron itself
79
206260
2000
Og hver neuron er i sig selv
03:28
is largely unique.
80
208260
2000
stort set unik.
03:30
The unique character of both individual neurons
81
210260
2000
Den unikke karakter af både individuelle neuroner
03:32
and neurons within a collection of the brain
82
212260
2000
og neuroner i en samling i hjernen
03:34
are driven by fundamental properties
83
214260
3000
bliver drevet af fundamentale egenskaber
03:37
of their underlying biochemistry.
84
217260
2000
af deres underliggende biokemi.
03:39
These are proteins.
85
219260
2000
Dette er proteiner.
03:41
They're proteins that are controlling things like ion channel movement.
86
221260
3000
Det er proteiner der styrer ting som ionkanal bevægelsen.
03:44
They're controlling who nervous system cells partner up with.
87
224260
4000
De styrer hvem celler i nervesystemet danner par med.
03:48
And they're controlling
88
228260
2000
Og de styrer
03:50
basically everything that the nervous system has to do.
89
230260
2000
dybest set alt som det nervesystemet skal gøre.
03:52
So if we zoom in to an even deeper level,
90
232260
3000
Så hvis vi zoomer in på et endnu dybere niveau,
03:55
all of those proteins
91
235260
2000
alle disse proteiner
03:57
are encoded by our genomes.
92
237260
2000
der er kodet af vores gener.
03:59
We each have 23 pairs of chromosomes.
93
239260
3000
Vi har hver især 23 kromosompar.
04:02
We get one from mom, one from dad.
94
242260
2000
Vi får et af vores mor, et af vores far.
04:04
And on these chromosomes
95
244260
2000
Og på disse kromosomer
04:06
are roughly 25,000 genes.
96
246260
2000
er det stort set 25.000 gener.
04:08
They're encoded in the DNA.
97
248260
2000
De er inkodet i DNA'et.
04:10
And the nature of a given cell
98
250260
3000
Og en given celles natur
04:13
driving its underlying biochemistry
99
253260
2000
driver dens underliggende biokemi
04:15
is dictated by which of these 25,000 genes
100
255260
3000
bliver dikteret af hvilke af disse 25.000 gener
04:18
are turned on
101
258260
2000
der bliver tændt
04:20
and at what level they're turned on.
102
260260
2000
og på hvilket niveau de bliver tændt på.
04:22
And so our project
103
262260
2000
Så vores projekt
04:24
is seeking to look at this readout,
104
264260
3000
er at forsøge at se på denne udskrift,
04:27
understanding which of these 25,000 genes is turned on.
105
267260
3000
og forstå hvilke af disse 25.000 gener der bliver tændt.
04:30
So in order to undertake such a project,
106
270260
3000
Så for at begynde sådan et stort projekt,
04:33
we obviously need brains.
107
273260
3000
havde vi tydeligvis brug for hjerner.
04:36
So we sent our lab technician out.
108
276260
3000
Så vi sendte vores laboratorietekniker i byen.
04:39
We were seeking normal human brains.
109
279260
2000
Vi søgte normale menneskelige hjerner.
04:41
What we actually start with
110
281260
2000
Det vi sædvanligvis begynder med
04:43
is a medical examiner's office.
111
283260
2000
er retsmedicinerens kontor.
04:45
This a place where the dead are brought in.
112
285260
2000
Dette er et sted hvor de døde kommer ind.
04:47
We are seeking normal human brains.
113
287260
2000
Vi søger normale menneskelige hjerner.
04:49
There's a lot of criteria by which we're selecting these brains.
114
289260
3000
Der er en masse kriterier som vi vælger disse hjerner ud fra.
04:52
We want to make sure
115
292260
2000
Vi vil være sikre på
04:54
that we have normal humans between the ages of 20 to 60,
116
294260
3000
at vi har normale menneskelige hjerner i alderen mellem 20 og 60,
04:57
they died a somewhat natural death
117
297260
2000
at de døde af naturlige årsager
04:59
with no injury to the brain,
118
299260
2000
uden skader på hjernen,
05:01
no history of psychiatric disease,
119
301260
2000
ingen historie af psykiatriske lidelser,
05:03
no drugs on board --
120
303260
2000
ingen narkotikum om bord --
05:05
we do a toxicology workup.
121
305260
2000
vi laver en toksikologisk prøve.
05:07
And we're very careful
122
307260
2000
Og vi er meget forsigtige
05:09
about the brains that we do take.
123
309260
2000
med de hjerner vi udvælger.
05:11
We're also selecting for brains
124
311260
2000
Vi udvælger også hjerner
05:13
in which we can get the tissue,
125
313260
2000
hvor vi kan få det væv,
05:15
we can get consent to take the tissue
126
315260
2000
hvor vi kan få tilladelse til at tage det væv
05:17
within 24 hours of time of death.
127
317260
2000
indenfor 24 timer efter dødstidspunktet.
05:19
Because what we're trying to measure, the RNA --
128
319260
3000
Fordi det vi prøver at måle, RNA'et --
05:22
which is the readout from our genes --
129
322260
2000
som er aflæsningen af vores gener --
05:24
is very labile,
130
324260
2000
er meget ustabil,
05:26
and so we have to move very quickly.
131
326260
2000
så vi skal skynde os.
05:28
One side note on the collection of brains:
132
328260
3000
En sidebemærkning til samlingen af hjerner:
05:31
because of the way that we collect,
133
331260
2000
På grund af måden vi indsamler dem på,
05:33
and because we require consent,
134
333260
2000
og på grund af at vi kræver tilladelse,
05:35
we actually have a lot more male brains than female brains.
135
335260
3000
har vi faktisk mange flere mandlige hjerner end kvindlige hjerner.
05:38
Males are much more likely to die an accidental death in the prime of their life.
136
338260
3000
Det er meget mere sandsynligt for mænd at dø en utilsigtet død i deres bedste alder.
05:41
And men are much more likely
137
341260
2000
Og det er meget mere sandsynligt at mænds
05:43
to have their significant other, spouse, give consent
138
343260
3000
bedre halvdel, kone, giver tilladelse
05:46
than the other way around.
139
346260
2000
end omvendt.
05:48
(Laughter)
140
348260
4000
(Latter)
05:52
So the first thing that we do at the site of collection
141
352260
2000
Så den første ting vi gør det sted hvor vi indsamler
05:54
is we collect what's called an MR.
142
354260
2000
er at vi laver det der hedder en MR.
05:56
This is magnetic resonance imaging -- MRI.
143
356260
2000
Det er magnetisk resonanstomografi -- MRI.
05:58
It's a standard template by which we're going to hang the rest of this data.
144
358260
3000
Det er en standard skabelon som vi passer resten af vores data på.
06:01
So we collect this MR.
145
361260
2000
Så vi indsamler denne MR.
06:03
And you can think of this as our satellite view for our map.
146
363260
2000
Og man kan se på dette som vores fugleperspektiv på vores kort.
06:05
The next thing we do
147
365260
2000
Det næste vi gør
06:07
is we collect what's called a diffusion tensor imaging.
148
367260
3000
er at vi indsamler det der hedder diffusion tensor imaging.
06:10
This maps the large cabling in the brain.
149
370260
2000
Dette kortlægger den store mængde forbindelser i hjernen.
06:12
And again, you can think of this
150
372260
2000
Og igen, man kan se på dette
06:14
as almost mapping our interstate highways, if you will.
151
374260
2000
som næsten det at kortlægge vores motorveje, om man vil.
06:16
The brain is removed from the skull,
152
376260
2000
Hjernen fjernes fra kraniet,
06:18
and then it's sliced into one-centimeter slices.
153
378260
3000
og så bliver den skåret i en-centimeter tykke skiver.
06:21
And those are frozen solid,
154
381260
2000
Og de bliver frosset,
06:23
and they're shipped to Seattle.
155
383260
2000
og de bliver sendt til Seattle.
06:25
And in Seattle, we take these --
156
385260
2000
Og i Seattle, tager vi disse --
06:27
this is a whole human hemisphere --
157
387260
2000
dette er hele den menneskelige hemisfære --
06:29
and we put them into what's basically a glorified meat slicer.
158
389260
2000
og vi lægger dem i det der dybest set er en avanceret pålægsmaskine.
06:31
There's a blade here that's going to cut across
159
391260
2000
Der er en klinge her som skærer gennem
06:33
a section of the tissue
160
393260
2000
en section af vævet
06:35
and transfer it to a microscope slide.
161
395260
2000
og flytter den til et objektglas.
06:37
We're going to then apply one of those stains to it,
162
397260
2000
Vi påfører så en af disse farver på det,
06:39
and we scan it.
163
399260
2000
og vi scanner det.
06:41
And then what we get is our first mapping.
164
401260
3000
Og det vi så får er vores første kortlægning.
06:44
So this is where experts come in
165
404260
2000
Så det er her eksperterne kommer ind
06:46
and they make basic anatomic assignments.
166
406260
2000
og de laver basale anatomiske opgaver.
06:48
You could consider this state boundaries, if you will,
167
408260
3000
Man kunne opfatte dette som delstatsgrænser, om man vil,
06:51
those pretty broad outlines.
168
411260
2000
de temmelig brede skitser.
06:53
From this, we're able to then fragment that brain into further pieces,
169
413260
4000
Fra dette, er vi i stand til at dele hjernen i flere dele,
06:57
which then we can put on a smaller cryostat.
170
417260
2000
som vi så kan lægge i en mindre cryostat.
06:59
And this is just showing this here --
171
419260
2000
Og dette viser kun det her --
07:01
this frozen tissue, and it's being cut.
172
421260
2000
dette frosne væv, og det bliver skåret.
07:03
This is 20 microns thin, so this is about a baby hair's width.
173
423260
3000
Dette er 20 my tykt, så dette er cirka bredden på et babyhår.
07:06
And remember, it's frozen.
174
426260
2000
Og husk på, at det er frossen.
07:08
And so you can see here,
175
428260
2000
Så her kan man se,
07:10
old-fashioned technology of the paintbrush being applied.
176
430260
2000
den gammeldagse penselteknologi blive brugt.
07:12
We take a microscope slide.
177
432260
2000
Vi kan tage et objektglas.
07:14
Then we very carefully melt onto the slide.
178
434260
3000
Så smelter vi det meget forsigtigt på objektglasset.
07:17
This will then go onto a robot
179
437260
2000
Det vil så komme ind i robotten
07:19
that's going to apply one of those stains to it.
180
439260
3000
der vil putte en af farverne i det.
07:26
And our anatomists are going to go in and take a deeper look at this.
181
446260
3000
Og vores anatomister vil gå ind og kaste et nærmere blik på det.
07:29
So again this is what they can see under the microscope.
182
449260
2000
Så igen, dette er hvad de ser under et mikroskop.
07:31
You can see collections and configurations
183
451260
2000
Man kan se samlingerne og konfigurationerne
07:33
of large and small cells
184
453260
2000
af store og små celler
07:35
in clusters and various places.
185
455260
2000
i klynger og forskellige steder.
07:37
And from there it's routine. They understand where to make these assignments.
186
457260
2000
Og derfra er det routine. De ved hvor de skal lave disse opgaver.
07:39
And they can make basically what's a reference atlas.
187
459260
3000
Og de kan lave det der dybest set er et reference kort.
07:42
This is a more detailed map.
188
462260
2000
Dette er et mere detaljeret kort.
07:44
Our scientists then use this
189
464260
2000
Vores forskere bruger så dette
07:46
to go back to another piece of that tissue
190
466260
3000
for at gå tilbage til et andet stykke af det væv
07:49
and do what's called laser scanning microdissection.
191
469260
2000
og lave det der hedder laser scanning microdissection.
07:51
So the technician takes the instructions.
192
471260
3000
Så teknikeren tager instruktionerne.
07:54
They scribe along a place there.
193
474260
2000
De skriver et sted der.
07:56
And then the laser actually cuts.
194
476260
2000
Og så skærer laseren faktisk.
07:58
You can see that blue dot there cutting. And that tissue falls off.
195
478260
3000
Man kan se at den blå prik der skærer. Og det væv falder af.
08:01
You can see on the microscope slide here,
196
481260
2000
Man kan se det på objektglasset her,
08:03
that's what's happening in real time.
197
483260
2000
det er hvad der sker i real time.
08:05
There's a container underneath that's collecting that tissue.
198
485260
3000
Der er en container derunder der opsamler det væv.
08:08
We take that tissue,
199
488260
2000
Vi tager det væv,
08:10
we purify the RNA out of it
200
490260
2000
vi renser RNA ud af det
08:12
using some basic technology,
201
492260
2000
ved at bruge noget basal teknologi,
08:14
and then we put a florescent tag on it.
202
494260
2000
og så putter vi et selvlysende mærke på det.
08:16
We take that tagged material
203
496260
2000
Vi tager det mærkede materiale
08:18
and we put it on to something called a microarray.
204
498260
3000
og vi putter på noget der hedder en microarray.
08:21
Now this may look like a bunch of dots to you,
205
501260
2000
Nu ligner dette måske en stak prikker for jer,
08:23
but each one of these individual dots
206
503260
2000
men hver af disse individuelle prikker
08:25
is actually a unique piece of the human genome
207
505260
2000
er faktisk et unikt stykke menneskelig genom
08:27
that we spotted down on glass.
208
507260
2000
som vi har set nede på glasset.
08:29
This has roughly 60,000 elements on it,
209
509260
3000
Der er groft set 60.000 elementer på det,
08:32
so we repeatedly measure various genes
210
512260
3000
så vi måler gentagne gange forskellige gener
08:35
of the 25,000 genes in the genome.
211
515260
2000
af de 25.000 gener i genomet.
08:37
And when we take a sample and we hybridize it to it,
212
517260
3000
Og når vi tager en prøve og vi hybridiserer det til det,
08:40
we get a unique fingerprint, if you will,
213
520260
2000
får vi et unikt fingeraftryk, om man vil,
08:42
quantitatively of what genes are turned on in that sample.
214
522260
3000
kvantitativt af hvilke gener der bliver tændt i den prøve.
08:45
Now we do this over and over again,
215
525260
2000
Dette gør vi igen og igen,
08:47
this process for any given brain.
216
527260
3000
denne process for enhver given hjerne.
08:50
We're taking over a thousand samples for each brain.
217
530260
3000
Vi tager mere end tusind prøver for hver hjerne.
08:53
This area shown here is an area called the hippocampus.
218
533260
3000
Det område der bliver vist her hedder hippocampus.
08:56
It's involved in learning and memory.
219
536260
2000
Den er involveret i læring og hukommelse.
08:58
And it contributes to about 70 samples
220
538260
3000
Og den bidrager til cirka 70 prøver
09:01
of those thousand samples.
221
541260
2000
af de tusind prøver.
09:03
So each sample gets us about 50,000 data points
222
543260
4000
Så hver prøve giver os cirka 50.000 datapunkter
09:07
with repeat measurements, a thousand samples.
223
547260
3000
med gentagede målinger, et tusind prøver.
09:10
So roughly, we have 50 million data points
224
550260
2000
Så groft set, har vi 50 millioner datapunkter
09:12
for a given human brain.
225
552260
2000
for enhver given menneskelig hjerne.
09:14
We've done right now
226
554260
2000
Vi har indtil videre lavet
09:16
two human brains-worth of data.
227
556260
2000
to menneskehjerner af data.
09:18
We've put all of that together
228
558260
2000
Vi har sat det alt sammen
09:20
into one thing,
229
560260
2000
til en ting,
09:22
and I'll show you what that synthesis looks like.
230
562260
2000
og jeg vil vise jer hvordan den syntese ser ud.
09:24
It's basically a large data set of information
231
564260
3000
Det er dybest set et stort data sæt med information
09:27
that's all freely available to any scientist around the world.
232
567260
3000
der er frit tilgængeligt for enhver forsker rundt om i verden.
09:30
They don't even have to log in to come use this tool,
233
570260
3000
De behøver ikke at logge ind for at komme og bruge dette værktøj,
09:33
mine this data, find interesting things out with this.
234
573260
4000
udvinde denne data, finde ud af interessante ting med dette.
09:37
So here's the modalities that we put together.
235
577260
3000
Så her er behandlingsmetoderne som vi har sat sammen.
09:40
You'll start to recognize these things from what we've collected before.
236
580260
3000
Man begynder at genkende disse ting fra det vi har indsamlet før.
09:43
Here's the MR. It provides the framework.
237
583260
2000
Her er MR'en. Den leverer strukturen.
09:45
There's an operator side on the right that allows you to turn,
238
585260
3000
Der er en operatør side på højre side der tillader en at vende,
09:48
it allows you to zoom in,
239
588260
2000
den tillader en at zoome ind,
09:50
it allows you to highlight individual structures.
240
590260
3000
den tillader en at fremhæve individuelle strukturer.
09:53
But most importantly,
241
593260
2000
Men vigtigst af alt,
09:55
we're now mapping into this anatomic framework,
242
595260
3000
vi kortlægger nu ind i denne anatomiske struktur,
09:58
which is a common framework for people to understand where genes are turned on.
243
598260
3000
som er en almindelig struktur for mennesker at forstå hvor generne bliver tændt af en.
10:01
So the red levels
244
601260
2000
Så de røde niveauer
10:03
are where a gene is turned on to a great degree.
245
603260
2000
er hvor et gen bliver tændt i en meget høj grad.
10:05
Green is the sort of cool areas where it's not turned on.
246
605260
3000
Grøn er en slags kølige områder hvor det ikke er tændt.
10:08
And each gene gives us a fingerprint.
247
608260
2000
Og hvert gen giver os et fingeraftryk.
10:10
And remember that we've assayed all the 25,000 genes in the genome
248
610260
5000
Og husk på at vi har analyseret alle 25.000 gener i genomet
10:15
and have all of that data available.
249
615260
4000
og har al den data til rådighed.
10:19
So what can scientists learn about this data?
250
619260
2000
Så hvad kan forskere lære om disse data?
10:21
We're just starting to look at this data ourselves.
251
621260
3000
Vi er kun begyndt at kigge på denne data selv.
10:24
There's some basic things that you would want to understand.
252
624260
3000
Der er nogle basale ting som man skal forstå.
10:27
Two great examples are drugs,
253
627260
2000
To fremragende eksempler er lægemidler,
10:29
Prozac and Wellbutrin.
254
629260
2000
Prozac og Wellbutrin.
10:31
These are commonly prescribed antidepressants.
255
631260
3000
Dette er almindeligt udskrevne antidepressiv medicin.
10:34
Now remember, we're assaying genes.
256
634260
2000
Husk på, at vi analyserer gener.
10:36
Genes send the instructions to make proteins.
257
636260
3000
Gener sender instruktioner om at lave proteiner.
10:39
Proteins are targets for drugs.
258
639260
2000
Proteiner er mål for lægemidler.
10:41
So drugs bind to proteins
259
641260
2000
Så lægemidler binder sig til proteiner
10:43
and either turn them off, etc.
260
643260
2000
og enten slukker for dem, etc.
10:45
So if you want to understand the action of drugs,
261
645260
2000
Så hvis man vil forstå lægemidlers virkemidler,
10:47
you want to understand how they're acting in the ways you want them to,
262
647260
3000
skal man forstå hvordan de virker på de måder man gerne vil have dem til,
10:50
and also in the ways you don't want them to.
263
650260
2000
og også på de måder som man ikke vil have dem til.
10:52
In the side effect profile, etc.,
264
652260
2000
Sideeffekt profilen, etc.,
10:54
you want to see where those genes are turned on.
265
654260
2000
man skal se hvor de gener bliver tændt.
10:56
And for the first time, we can actually do that.
266
656260
2000
Og for første gang, kan vi faktisk gøre det.
10:58
We can do that in multiple individuals that we've assayed too.
267
658260
3000
Vi kan gøre det i forskellige individer som vi også har analyseret.
11:01
So now we can look throughout the brain.
268
661260
3000
Så nu kan vi kigge hele vejen gennem hjernen.
11:04
We can see this unique fingerprint.
269
664260
2000
Vi kan se dette unikke fingeraftryk.
11:06
And we get confirmation.
270
666260
2000
Og vi bliver bekræftet.
11:08
We get confirmation that, indeed, the gene is turned on --
271
668260
3000
Vi får bekræftelse at, bestemt, generne bliver tændt --
11:11
for something like Prozac,
272
671260
2000
for noget som Prozac,
11:13
in serotonergic structures, things that are already known be affected --
273
673260
3000
i serotonerge strukturer, ting der med sikkerhed bliver påvirket --
11:16
but we also get to see the whole thing.
274
676260
2000
men vi kommer også til at se det hele.
11:18
We also get to see areas that no one has ever looked at before,
275
678260
2000
Vi kommer også til at se områder som ingen anden nogensinde har kigget på før,
11:20
and we see these genes turned on there.
276
680260
2000
og vi ser disse gener bliver tændt der.
11:22
It's as interesting a side effect as it could be.
277
682260
3000
Det er en så interessant sideeffekt som det kunne være.
11:25
One other thing you can do with such a thing
278
685260
2000
En anden ting man kan gøre med sådan noget
11:27
is you can, because it's a pattern matching exercise,
279
687260
3000
er at man kan, fordi det er en mønstersøgende øvelse,
11:30
because there's unique fingerprint,
280
690260
2000
fordi det er unikke fingeraftryk,
11:32
we can actually scan through the entire genome
281
692260
2000
kan vi faktisk scanne gennem hele genomet
11:34
and find other proteins
282
694260
2000
og finde andre proteiner
11:36
that show a similar fingerprint.
283
696260
2000
der viser lignende fingeraftryk.
11:38
So if you're in drug discovery, for example,
284
698260
3000
Så hvis man arbejder med opdagelsen af lægemidler, for eksempel,
11:41
you can go through
285
701260
2000
kan man gå gennem
11:43
an entire listing of what the genome has on offer
286
703260
2000
en hel liste over hvad genomet kan tilbyde
11:45
to find perhaps better drug targets and optimize.
287
705260
4000
for måske at finde bedre mål for lægemidlet og optimere det.
11:49
Most of you are probably familiar
288
709260
2000
De fleste af jer er sikkert bekendte
11:51
with genome-wide association studies
289
711260
2000
med genome-bredde associations studier
11:53
in the form of people covering in the news
290
713260
3000
på den måde at mennesker dækker det i nyheder
11:56
saying, "Scientists have recently discovered the gene or genes
291
716260
3000
og siger, "Forskere har for nylig opdaget genet eller generne
11:59
which affect X."
292
719260
2000
der påvirker X."
12:01
And so these kinds of studies
293
721260
2000
Så denne slags studier
12:03
are routinely published by scientists
294
723260
2000
bliver publiceret regelmæssigt af forskere
12:05
and they're great. They analyze large populations.
295
725260
2000
og de er fantastiske. De analyserer store befolkningsgrupper.
12:07
They look at their entire genomes,
296
727260
2000
De kigger på hele genomet,
12:09
and they try to find hot spots of activity
297
729260
2000
og de prøver at finde hotspots med aktivitet
12:11
that are linked causally to genes.
298
731260
3000
der er forbundet tilfældigt til genet.
12:14
But what you get out of such an exercise
299
734260
2000
Men det man får ud af sådan en øvelse
12:16
is simply a list of genes.
300
736260
2000
er ganske enkelt en liste over gener.
12:18
It tells you the what, but it doesn't tell you the where.
301
738260
3000
Det fortæller en hvad, men det fortæller ikke en hvor.
12:21
And so it's very important for those researchers
302
741260
3000
Så det er meget vigtigt for de forskere
12:24
that we've created this resource.
303
744260
2000
at vi har skabt denne ressource.
12:26
Now they can come in
304
746260
2000
Nu kan de komme ind
12:28
and they can start to get clues about activity.
305
748260
2000
og de kan begynde at få ledetråde omkring aktivitet.
12:30
They can start to look at common pathways --
306
750260
2000
De kan begynde at se almene veje --
12:32
other things that they simply haven't been able to do before.
307
752260
3000
andre ting som de simpelthen ikke har været i stand til at gøre før.
12:36
So I think this audience in particular
308
756260
3000
Så jeg mener især dette publikum
12:39
can understand the importance of individuality.
309
759260
3000
kan forstå vigtigheden af individualitet.
12:42
And I think every human,
310
762260
2000
Og jeg mener at alle mennesker,
12:44
we all have different genetic backgrounds,
311
764260
4000
vi har alle forskellige genetiske baggrunde,
12:48
we all have lived separate lives.
312
768260
2000
vi har alle levet separate liv.
12:50
But the fact is
313
770260
2000
Men faktum er,
12:52
our genomes are greater than 99 percent similar.
314
772260
3000
at vores genom er mere end 99 procent ens.
12:55
We're similar at the genetic level.
315
775260
3000
Vi er ens på genetisk niveau.
12:58
And what we're finding
316
778260
2000
Og det vi konstaterer
13:00
is actually, even at the brain biochemical level,
317
780260
2000
er faktisk, at selv på hjernens biokemiske niveau,
13:02
we are quite similar.
318
782260
2000
er vi temmelig ens.
13:04
And so this shows it's not 99 percent,
319
784260
2000
Så dette viser at det ikke er 99 procent,
13:06
but it's roughly 90 percent correspondence
320
786260
2000
men det er groft set 90 procent sammenfald
13:08
at a reasonable cutoff,
321
788260
3000
ved en rimelig afskæring,
13:11
so everything in the cloud is roughly correlated.
322
791260
2000
så alt i skyen hænger groft set sammen.
13:13
And then we find some outliers,
323
793260
2000
Og så finder vi nogle afvigelser,
13:15
some things that lie beyond the cloud.
324
795260
3000
nogle ting der ligger uden for skyen.
13:18
And those genes are interesting,
325
798260
2000
Og de gener er interessante,
13:20
but they're very subtle.
326
800260
2000
men de er meget subtile.
13:22
So I think it's an important message
327
802260
3000
Så jeg mener det er et vigtigt budskab
13:25
to take home today
328
805260
2000
at tage med hjem i dag
13:27
that even though we celebrate all of our differences,
329
807260
3000
at selvom vi fejrer alle vores forskelligheder,
13:30
we are quite similar
330
810260
2000
er vi temmelig ens
13:32
even at the brain level.
331
812260
2000
selv på hjerneniveau.
13:34
Now what do those differences look like?
332
814260
2000
Men hvordan ser de forskelle ud?
13:36
This is an example of a study that we did
333
816260
2000
Dette er et eksempel på et studie vi lavede
13:38
to follow up and see what exactly those differences were --
334
818260
2000
til opfølgning og se hvilke forskelle der faktisk var --
13:40
and they're quite subtle.
335
820260
2000
og de er ret subtile.
13:42
These are things where genes are turned on in an individual cell type.
336
822260
4000
Dette er ting hvor generne bliver tændt i en individuel celletype.
13:46
These are two genes that we found as good examples.
337
826260
3000
Dette er to gener som vi fandt ud af var gode eksempler.
13:49
One is called RELN -- it's involved in early developmental cues.
338
829260
3000
Den ene hedder RELN -- den er involveret i den tidlige udvikling.
13:52
DISC1 is a gene
339
832260
2000
DISC1 er et gen
13:54
that's deleted in schizophrenia.
340
834260
2000
der bliver fjernet ved skizofreni.
13:56
These aren't schizophrenic individuals,
341
836260
2000
Dette er ikke skizofrene individer,
13:58
but they do show some population variation.
342
838260
3000
men de viser en variation af befolkningen.
14:01
And so what you're looking at here
343
841260
2000
Så det man se på her
14:03
in donor one and donor four,
344
843260
2000
i donor et og donor fire,
14:05
which are the exceptions to the other two,
345
845260
2000
som er undtagelsen fra de to andre,
14:07
that genes are being turned on
346
847260
2000
er at gener bliver tændt
14:09
in a very specific subset of cells.
347
849260
2000
på et meget specifikt delmængde celler.
14:11
It's this dark purple precipitate within the cell
348
851260
3000
Det er dette mørke lilla bundfald inden i cellen
14:14
that's telling us a gene is turned on there.
349
854260
3000
der fortæller os at et gen er tændt.
14:17
Whether or not that's due
350
857260
2000
Om det kommer an på
14:19
to an individual's genetic background or their experiences,
351
859260
2000
et individs genetiske baggrund eller deres oplevelser,
14:21
we don't know.
352
861260
2000
det ved vi ikke.
14:23
Those kinds of studies require much larger populations.
353
863260
3000
Denne slags studier kræver meget større populationer.
14:28
So I'm going to leave you with a final note
354
868260
2000
Så jeg vil forlade jer med en sidste bemærkning
14:30
about the complexity of the brain
355
870260
3000
om hjernens kompleksitet
14:33
and how much more we have to go.
356
873260
2000
og hvor meget mere vi skal gøre.
14:35
I think these resources are incredibly valuable.
357
875260
2000
Jeg mener at disse ressourcer er utrolig værdifulde.
14:37
They give researchers a handle
358
877260
2000
De giver forskere en pejling
14:39
on where to go.
359
879260
2000
af hvor de skal hen.
14:41
But we only looked at a handful of individuals at this point.
360
881260
3000
Men vi har kun kigget på en håndfuld individer indtil nu.
14:44
We're certainly going to be looking at more.
361
884260
2000
Vi skal ganske givet se på mere.
14:46
I'll just close by saying
362
886260
2000
Jeg vil slutte af med at sige
14:48
that the tools are there,
363
888260
2000
at værktøjerne er her,
14:50
and this is truly an unexplored, undiscovered continent.
364
890260
4000
og dette er virkelig et uudforsket, uopdaget kontinent.
14:54
This is the new frontier, if you will.
365
894260
4000
Dette er det nye grænseområde, om man vil.
14:58
And so for those who are undaunted,
366
898260
2000
Så for dem der er frygtløse,
15:00
but humbled by the complexity of the brain,
367
900260
2000
men ydmyge overfor kompleksiteten af hjernen,
15:02
the future awaits.
368
902260
2000
venter fremtiden.
15:04
Thanks.
369
904260
2000
Tak.
15:06
(Applause)
370
906260
9000
(Bifald)

Original video on YouTube.com
Om denne hjemmeside

På dette websted kan du se YouTube-videoer, der er nyttige til at lære engelsk. Du vil se engelskundervisning, der er udført af førsteklasses lærere fra hele verden. Dobbeltklik på de engelske undertekster, der vises på hver videoside, for at afspille videoen derfra. Underteksterne ruller i takt med videoafspilningen. Hvis du har kommentarer eller ønsker, bedes du kontakte os ved hjælp af denne kontaktformular.

https://forms.gle/WvT1wiN1qDtmnspy7