How data is helping us unravel the mysteries of the brain | Steve McCarroll

Translator: Shahnaz Moussavian Reviewer: sadegh zabihi

Nine years ago,

نُه سال پیش،

my sister discovered lumps in her neck and arm

خواهرم در بازو و گردن خود توده‌‌‌‌هایی پیدا کرد

and was diagnosed with cancer.

که سرطان تشخیص داده شد.

From that day, she started to benefit

از آن روز او از فوایدی بهره‌مند می‌شد که

from the understanding that science has of cancer.

درک درستی که علوم پایه از سرطان دارد، برای او به ارمغان می‌آورد.

Every time she went to the doctor,

هربار که پیش دکتر می‌‌‌‌‌‌رفت،

they measured specific molecules

نوع خاصی مولکول را اندازه گیری می‌کردند،

that gave them information about how she was doing

که نشان می‌داد حال او چطور است

and what to do next.

و قدم بعدی کدام است.

New medical options became available every few years.

هر چند‌سال گزینه‌های درمانی جدیدی از راه می‌رسید.

Everyone recognized that she was struggling heroically

همه می‌دیدند او چطور دلیرانه با یک

with a biological illness.

بیماری جسمی دست‌وپنجه نرم می‌کند.

This spring, she received an innovative new medical treatment

بهار امسال تحت درمان نو‌آورانه‌ای قرار گرفت

in a clinical trial.

در یک کارآزمایی بالینی،

It dramatically knocked back her cancer.

که به طرز چشمگیری غده را سرکوب کرد.

Guess who I'm going to spend this Thanksgiving with?

اگر گفتید عید شکرگزاری امسال را با که می‌گذرانم؟

My vivacious sister,

با خواهر سر‌زنده ام،

who gets more exercise than I do,

که از من بیشتر ورزش می‌کند،

and who, like perhaps many people in this room,

و شاید مثل بسیاری از شما که اینجا هستید،

increasingly talks about a lethal illness

هرچه بیشتر، از یک بیماری کشنده

in the past tense.

با قید گذشته یاد می‌کند.

Science can, in our lifetimes -- even in a decade --

علم قادر است در طول یک عمر -- حتی یک دهه --

transform what it means to have a specific illness.

مفهوم ابتلا به یک بیماری خاص را بکلی دگرگون کند.

But not for all illnesses.

ولی نه برای همه بیماریها.

My friend Robert and I were classmates in graduate school.

من و دوستم رابرت دردانشگاه هم دوره بودیم.

Robert was smart,

رابرت باهوش بود،

but with each passing month,

ولی هرماه که می‌گذشت

his thinking seemed to become more disorganized.

انگار تفکر او بیشترمغشوش می‌شد.

He dropped out of school, got a job in a store ...

او ترک تحصیل کرد، در فروشگاهی مشغول به کار شد ...

But that, too, became too complicated.

ولی همان هم دشوار شد.

Robert became fearful and withdrawn.

رابرت دچار ترس، و مردم‌گریز شد.

A year and a half later, he started hearing voices

یک سال‌و نیم بعد دچار صداهای موهومی شد

and believing that people were following him.

و فکر می‌کرد کسانی تعقیب‌اش می کنند.

Doctors diagnosed him with schizophrenia,

تشخیص دکترها شیزوفرنی بود.

and they gave him the best drug they could.

و بهترین داروی ممکن را برای او نوشتند.

That drug makes the voices somewhat quieter,

آن دارو صداها را قدری آرام می‌کرد،

but it didn't restore his bright mind or his social connectedness.

ولی برای حفظ ذهن بشاش او و جوشش اجتماعی او کارگر نبود.

Robert struggled to remain connected

رابرت تقلا می‌کرد تا رابطه‌اش را با

to the worlds of school and work and friends.

دنیای رفقا، کار و دانشگاه حفظ کند.

He drifted away,

او محو می‌شد و

and today I don't know where to find him.

من امروز هیچ نشانی از او ندارم.

If he watches this,

اگر این فیلم را می‌بیند،

I hope he'll find me.

امیدوارم مرا پیدا کند.

Why does medicine have so much to offer my sister,

چطور علم پزشکی این‌همه دستاورد برای خواهر من دارد و

and so much less to offer millions of people like Robert?

برای میلیونها نفر مثل رابرت اینچنین دست‌خالی است؟

The need is there.

نیاز در آنجاست.

The World Health Organization estimates that brain illnesses

طبق برآورد سازمان جهانی بهداشت بیماریهای مغزی

like schizophrenia, bipolar disorder and major depression

مثل شیزوفرنی، ناهنجاری دوقطبی و افسردگی حاد

are the world's largest cause of lost years of life and work.

بزرگترین عامل سالها افتادگی از کار و از زندگی در تمام جهان هستند.

That's in part because these illnesses often strike early in life,

بخشی به آن دلیل که این ناراحتی‌ها اغلب در آغاز زندگی بروز می‌کنند،

in many ways, in the prime of life,

به هر‌ طریق در بهترین دوران زندگی،

just as people are finishing their educations, starting careers,

درست وقتی افراد فارغ‌التحصیل می‌شوند، آغاز بکار می‌کنند،

forming relationships and families.

دارای روابط و خانواده می‌شوند.

These illnesses can result in suicide;

این ناراحتی‌ها می‌توانند منجر به خودکشی شوند،

they often compromise one's ability to work at one's full potential;

اغلب سبب می‌شوند فرد قادر به انجام کار به بهترین شکل نباشد،

and they're the cause of so many tragedies harder to measure:

و پایان‌های غم‌بار بسیاری به بار می‌آورند که قابل اندازه‌گیری نیستند:

lost relationships and connections,

روابط و پیوندهای گسیخته،

missed opportunities to pursue dreams and ideas.

فرصت‌های از دست‌رفته برای رسیدن به رویاها و آرزوها.

These illnesses limit human possibilities

این بیماریها امکانات بشری را به صورت‌هایی

in ways we simply cannot measure.

که نمی‌توان اندازه گرفت، پایین می‌آورند.

We live in an era in which there's profound medical progress

ما در عصری زندگی می‌کنیم که علوم پزشکی پیشرفتهای شگرفی

on so many other fronts.

در عرصه‌های دیگر بدست آورده‌است.

My sister's cancer story is a great example,

نمونه خوب آن بیماری خواهر من است

and we could say the same of heart disease.

همچنین بیماریهای قلبی.

Drugs like statins will prevent millions of heart attacks and strokes.

داروهایی چون استاتین‌ها از میلیونها سکته قلبی و مغزی پیشگیری می‌کنند.

When you look at these areas of profound medical progress

وقتی به این عرصه‌های شگرف پیشروی پزشکی نگاه می‌کنیم

in our lifetimes,

در زمانی که ما زندگی می‌کنیم،

they have a narrative in common:

می‌بینیم یک داستان مشترک دارند:

scientists discovered molecules that matter to an illness,

دانشمندان به مولکولی دست یافتند که برای یک بیماری مهم بود،

they developed ways to detect and measure those molecules in the body,

و سپس راههایی برای ردیابی و اندازه‌گیری آن ابداع کردند،

and they developed ways to interfere with those molecules

همچنین مسیرهایی برای مداخله در نحوه کار آن مولکول

using other molecules -- medicines.

بکمک مولکول دیگری -- به نام دارو.

It's a strategy that has worked again and again and again.

یک راهبردی که بارها و بارها ثمربخش بوده است.

But when it comes to the brain, that strategy has been limited,

نوبت به مغز که می‌رسد اما، آن راهبرد دچار محدودیت می‌شود.

because today, we don't know nearly enough, yet,

چرا که امروز دانش ما هنوز کافی نیست

about how the brain works.

از‌اینکه مغز چگونه کار می‌کند.

We need to learn which of our cells matter to each illness,

ما می‌بایست دریابیم کدامیک از سلولها در یک بیماری نقش دارند،

and which molecules in those cells matter to each illness.

و کدام مولکول آن سلولها در بیماری نقش دارند.

And that's the mission I want to tell you about today.

و این رسالتی است که امروز می‌خواهم از آن گفتگو کنم.

My lab develops technologies with which we try to turn the brain

آزمایشگاه من فن‌آوری‌هایی را ایجاد می‌کند تا مغز را بتوان بدل

into a big-data problem.

به یک صورت‌مساله کلان‌داده کرد.

You see, before I became a biologist, I worked in computers and math,

قبل از اینکه زیست‌شناس بشوم من در حوزه ریاضی و کامپیوتر کار می‌کردم،

and I learned this lesson:

و این درسی است که فرا گرفتم:

wherever you can collect vast amounts of the right kinds of data

هر جا بشود دست به گردآوری انبوهی از اقسام داده‌های مناسب زد،

about the functioning of a system,

درباره اینکه یک سیستم چگونه کار می‌کند،

you can use computers in powerful new ways

می‌توان از رایانه، با شیوه‌های پرقدرت نوینی بهره جست

to make sense of that system and learn how it works.

برای درک آن سیستم و اینکه بیاموزیم چگونه کار می‌کند.

Today, big-data approaches are transforming

رویکردهای کلان داده امروز در‌حال دگرگون ساختن

ever-larger sectors of our economy,

بخش‌های هرچه وسیع‌تراقتصاد ما هستند و

and they could do the same in biology and medicine, too.

می‌توانند همین تاثیر را بر علوم زیستی و پزشکی بگذارند.

But you have to have the right kinds of data.

ولی می‌بایست داده‌های مناسب را در اختیار داشت.

You have to have data about the right things.

داده درباره چیزهای مناسب.

And that often requires new technologies and ideas.

این اغلب نیازمند ایده‌ و فن‌آوری‌ نوین است.

And that is the mission that animates the scientists in my lab.

و این رسالتی است که دانشمندان را درآزمایشگاه من بر‌انگیخته می‌کند.

Today, I want to tell you two short stories from our work.

امروز می‌خواهم دو قصه کوتاه از کاری که می‌کنیم برایتان بگویم.

One fundamental obstacle we face

یک سد بنیادی بر سر راه ما

in trying to turn the brain into a big-data problem

در تلاش برای تبدیل مغز به مساله کلان‌داده

is that our brains are composed of and built from billions of cells.

آن است که مغز ما از میلیاردها یاخته (سلول) ترکیب و ساخته شده،

And our cells are not generalists; they're specialists.

و کار این یاخته‌ها عمومی نیست، بلکه تخصصی است.

Like humans at work,

همانطور که آدمها در حرفه‌های خود هستند.

they specialize into thousands of different cellular careers,

اینها هم بین هزاران گونه حرفهٔ سلولی، در یکی تخصصی شده،

or cell types.

و نوع خاصی از سلول می‌شوند.

In fact, each of the cell types in our body

در واقع هر یاخته بدن ما

could probably give a lively TED Talk

می‌شد یک سخنرانی پرشور TED اجرا کند

about what it does at work.

درباره کاری که انجام می‌دهد.

But as scientists, we don't even know today

ولی در‌جایگاه دانشمند، ما امروز حتی نمی‌دانیم

how many cell types there are,

چند نوع یاخته وجود دارد،

and we don't know what the titles of most of those talks would be.

و نمی‌دانیم سرفصل بیشتر آن سخنرانی‌ها چه می‌توانست باشد.

Now, we know many important things about cell types.

ولی، چیزهای مهم بسیاری از انواع یاخته‌ها می‌دانیم.

They can differ dramatically in size and shape.

می توانند به طور چشمگیری در اندازه و شکل متفاوت باشند.

One will respond to a molecule that the other doesn't respond to,

یکی به مولکولی پاسخ می‌دهد که آن دیگری نمی‌دهد،

they'll make different molecules.

مولکولهای متفاوتی تولید می‌کنند.

But science has largely been reaching these insights

اما دست‌یابی علوم به این بینش‌ها عمدتا

in an ad hoc way, one cell type at a time,

مرتبط با شرایط ویژه و برای یک نوع سلول بوده

one molecule at a time.

و یک نوع مولکول.

We wanted to make it possible to learn all of this quickly and systematically.

ما می‌خواستیم کاری کنیم تا بشود همه اینها را روشمند و با‌سرعت بیاموزیم.

Now, until recently, it was the case

حالا، تا همین اواخر اینطوربود که

that if you wanted to inventory all of the molecules

اگرمی‌خواستیم موجودی کل مولکولی را بررسی کنیم

in a part of the brain or any organ,

در ناحیه‌ای از مغز یا اندامی دیگر،

you had to first grind it up into a kind of cellular smoothie.

اول می‌بایست همه آنرا له می‌کردیم و بشکل خمیر همگن سلولی درمی‌آوردیم.

But that's a problem.

ولی این یک اشکال دارد.

As soon as you've ground up the cells,

همین که از سلول‌ها خمیری تهیه کنیم

you can only study the contents of the average cell --

فقط می‌توانیم محتوای سلول میانگین رامطالعه کنیم

not the individual cells.

و نه فرد فرد سلولها را.

Imagine if you were trying to understand how a big city like New York works,

تصور کنید اگر می‌خواستیم درکی از شهربزرگی چون نیویورک بدست آوریم،

but you could only do so by reviewing some statistics

ولی فقط با دست‌رسی به مرور بخشی از آمار

about the average resident of New York.

فرد متوسط ساکن نیویورک.

Of course, you wouldn't learn very much,

بدیهی است چیز زیادی دستگیرمان نمی‌‌شد،

because everything that's interesting and important and exciting

زیرا تمام آنچه جالب، با‌اهمیت و پرهیجان است،

is in all the diversity and the specializations.

در آن‌همه نا‌همگونی، و ویژگی داشتن است.

And the same thing is true of our cells.

این دربارهٔ سلولهای ما هم صادق است.

And we wanted to make it possible to study the brain not as a cellular smoothie

ما می خواستیم مطالعهٔ مغز را نه به مثابه خمیر سلولی

but as a cellular fruit salad,

بلکه سالاد میوهٔ سلولی ممکن سازیم،

in which one could generate data about and learn from

تا در آن تولید داده، و فراگیری دربارهٔ

each individual piece of fruit.

هر قطعهٔ میوه به تنهایی امکان‌پذیر باشد.

So we developed a technology for doing that.

بنابر‌این یک فن‌آوری برای انجام این کار پدید آوردیم.

You're about to see a movie of it.

الان فیلمی درباره آن خواهید دید.

Here we're packaging tens of thousands of individual cells,

اینجا ما ده‌ها هزار سلول منفرد را بسته بندی می‌کنیم،

each into its own tiny water droplet

هر کدام در یک قطره آب کوچک جدا

for its own molecular analysis.

برای بررسی مولکولی جداگانه.

When a cell lands in a droplet, it's greeted by a tiny bead,

هنگامی که سلول وارد قطره می‌شود یک دانه مهرهٔ کوچکی به او خوشآمد می‌گوید

and that bead delivers millions of DNA bar code molecules.

که حامل میلیونها مولکول رمز خط‌ نماد DNA می‌باشد.

And each bead delivers a different bar code sequence

و هر مهره توالی رمز متفاوتی ارايه می‌دهد

to a different cell.

برای سلول متفاوتی.

We incorporate the DNA bar codes

ما رمز خط‌ نماد DNA را پیوست

into each cell's RNA molecules.

به مولکول RNA در هر سلول می‌کنیم.

Those are the molecular transcripts it's making

اینها رونوشت مولکولی هستند که سلول می‌سازد

of the specific genes that it's using to do its job.

مطابق ژن‌های خاصی که برای انجام حرفه اش بکار می‌برد.

And then we sequence billions of these combined molecules

سپس میلیاردها از این مولکول‌های ترکیبی را توالی خوانی می‌کنیم

and use the sequences to tell us

و توالی خوانی به ما می‌گوید

which cell and which gene

از کدام سلول و کدام ژن

every molecule came from.

هر مولکول سرچشمه گرفته‌ است.

We call this approach "Drop-seq," because we use droplets

ما این رویکرد را "دراپ-سیک" نامیده‌ایم زیرا با کمک قطره

to separate the cells for analysis,

سلولها را برای تحلیل از هم جدا می‌کنیم.

and we use DNA sequences to tag and inventory

و با رشته‌های DNA برچسب‌گذاری می‌کنیم تا بررسی و

and keep track of everything.

و پیگیری همه چیزها ممکن باشد.

And now, whenever we do an experiment,

اکنون هرگاه آزمایشی انجام می‌دهیم،

we analyze tens of thousands of individual cells.

ده‌ها هزار سلول واحد را بررسی می‌کنیم.

And today in this area of science,

و امروزه در این بخش از علوم،

the challenge is increasingly how to learn as much as we can

چالش روز‌افزون این شده است که چطور هرچه بیشتر بیاموزیم،

as quickly as we can

و تا جای ممکن هر چه سریع‌تر،

from these vast data sets.

از این مجموعه داده‌‌های گسترده.

When we were developing Drop-seq, people used to tell us,

هنگامی که دست‌ بکار ساختن دراپ-سیک بودیم دیگران می‌گفتند

"Oh, this is going to make you guys the go-to for every major brain project."

"اوه، این راه ورود شما به هر طرح عظیم مغز را خواهد گشود"

That's not how we saw it.

ما اینگونه نگاه نمی‌کردیم.

Science is best when everyone is generating lots of exciting data.

دانش وقتی در یهترین حالت است که هر کس موفق به تولید داده‌های مهیج زیادی بشود.

So we wrote a 25-page instruction book,

ازاینرو ما یک دستورعمل ۲۵ صفحه‌ای نوشتیم

with which any scientist could build their own Drop-seq system from scratch.

که با کمک آن هر دانشمند علوم بتواند سیستم دراپ-سیک خود را از صفر بسازد.

And that instruction book has been downloaded from our lab website

این کتابچه آموزشی از تارنمای آزمایشگاه ما، تا حالا

50,000 times in the past two years.

۵۰٫۰۰۰ بار در دو سال گدشته، بارگیری شده است.

We wrote software that any scientist could use

ما نرم‌افزاری نوشتیم تا هر دانشمند بتواند آنرا

to analyze the data from Drop-seq experiments,

برای تحلیل داده های آزمایش دراپ-سیک بکار برد،

and that software is also free,

و آن نرم‌افزار هم رایگان است،

and it's been downloaded from our website 30,000 times in the past two years.

و از تارنمای ما ۳۰٫۰۰۰ بار در دو سال گذشته بارگیری شده‌است.

And hundreds of labs have written us about discoveries that they've made

و صدها آزمایشگاه به ما درباره یافته‌های خود نوشته‌اند

using this approach.

از بکارگیری این رویکرد.

Today, this technology is being used to make a human cell atlas.

امروزه این فناوری برای پدید‌آوردن یک اطلس یاخته انسانی بکار می‌رود.

It will be an atlas of all of the cell types in the human body

این یک اطلس از همه گونه‌های یاخته (سلول) در بدن انسان خواهد بود

and the specific genes that each cell type uses to do its job.

و ژن‌های ویژه‌ای که هر گونه سلول در انجام وظیفه‌ خود بکار می‌برد.

Now I want to tell you about a second challenge that we face

اکنون می‌خواهم از چالش دومی بگویم که ما با آن هنگام

in trying to turn the brain into a big data problem.

برگرداندن مغز به یک موضوع بزرگ داده‌ای، روبروییم.

And that challenge is that we'd like to learn from the brains

آن چالش این است که می‌خواهیم درباره مغزهای

of hundreds of thousands of living people.

صدها هزار انسان زنده بیاموزیم.

But our brains are not physically accessible while we're living.

ولی مغز مادامی که زنده هستیم قابل دسترسی نیست.

But how can we discover molecular factors if we can't hold the molecules?

چگونه می‌توان به عوامل مولکولی پی برد وقتی نمی‌توان مولکولها را در دست گرقت؟

An answer comes from the fact that the most informative molecules, proteins,

یک پاسخ از این واقعیت می آید که پراطلاعات ترین مولکول‌ها، پروتئین ها،

are encoded in our DNA,

در DNA ما رمزگذاری شده‌اند،

which has the recipes our cells follow to make all of our proteins.

که حاوی دستوری هستند که یاخته‌های ما برای ساختن پروتئین‌ها از آن پیروی می‌کنند.

And these recipes vary from person to person to person

و این دستورها برای فرد فرد ما متفاوت است

in ways that cause the proteins to vary from person to person

طوری که سبب می‌شوند پروتیٔین‌های ما از فردی به فرد دیگر فرق کنند

in their precise sequence

در چگونگی دقیق ترتیب وتوالی

and in how much each cell type makes of each protein.

و در مقادیری که هر یاخته از هر پروتئین‌ تولید می‌کند.

It's all encoded in our DNA, and it's all genetics,

همه در مولکول DNA ما کدگذاری شده‌، و همه ژنتیک است.

but it's not the genetics that we learned about in school.

ولی نه آن ژنتیکی که در مدرسه آموخته‌ایم.

Do you remember big B, little b?

آیا ب بزرگ و ب کوچک را به یاد می‌آورید؟

If you inherit big B, you get brown eyes?

اگرب بزرگ را ارث ببرید چشم‌تان قهوه‌ای خواهد شد؟

It's simple.

ساده است.

Very few traits are that simple.

صفات بسیار کمی به این سادگی هستند.

Even eye color is shaped by much more than a single pigment molecule.

حتی در رنگ چشم ما هم خیلی بیشتر از فقط یک مولکول رنگدانه نقش دارد.

And something as complex as the function of our brains

و چیزی به پیچیدگی عملکرد مغز ما

is shaped by the interaction of thousands of genes.

زادهٔ سروکارداشتن هزاران ژن با‌هم است.

And each of these genes varies meaningfully

و درهر یک از این ژنها ‌ تفاوت هدفدارانه‌ای است

from person to person to person,

از یک فرد به فردی دیگر،

and each of us is a unique combination of that variation.

و هر یک از ما یک ترکیب بی نظیر از این گوناگونی هستیم.

It's a big data opportunity.

این یک فرصت داده‌ای بزرگ است.

And today, it's increasingly possible to make progress

و امروز بطور روز‌افزون امکان پیشروی

on a scale that was never possible before.

در اندازه‌ای که پیشتر هرگز ممکن نبود، فراهم است.

People are contributing to genetic studies

بهره‌مندسازی مطالعات ژنتیکی از سوی همگان

in record numbers,

بطرز بی‌سابقه‌ای است،

and scientists around the world are sharing the data with one another

و دانشمندان در سراسر جهان داده ها را با یکدیگر به اشتراک می گذارند تا

to speed progress.

به این پیشرفت سرعت ببخشند.

I want to tell you a short story about a discovery we recently made

می‌خواهم حکایت کوتاهی از کشفی که بتازگی کرده‌ایم برایتان بگویم

about the genetics of schizophrenia.

در خصوص ژنتیک شیزوفرنی.

It was made possible by 50,000 people from 30 countries,

این کار با کمک ۵۰٫۰۰۰ نفر از سی کشور میسر شد

who contributed their DNA to genetic research on schizophrenia.

که DNA خود را برای پژوهش در باب شیزوفرنی اهدا کردند.

It had been known for several years

از سالها پیش می‌دانستیم که

that the human genome's largest influence on risk of schizophrenia

بیشترین تاثیر ژنوم انسانی در بالا بردن خطر ابتلا به شیزوفرنی

comes from a part of the genome

از سوی ناحیه‌ای از خزانه ژنی ژنوم است

that encodes many of the molecules in our immune system.

که بسیاری از مولکول‌های دستگاه ایمنی ما را رمزگذاری می‌کند.

But it wasn't clear which gene was responsible.

بی‌آنکه بدانیم کدام ژن مسئول آن است.

A scientist in my lab developed a new way to analyze DNA with computers,

یک دانشمند در آزمایشگاه من روش جدیدی برای بررسی DNA با رایانه پدید آورده‌است،

and he discovered something very surprising.

و کشف شگفت انگیزی کرد.

He found that a gene called "complement component 4" --

او فهمید ژنی که "جزء چهارم سامانه کمپلمان" نامیده میشود --

it's called "C4" for short --

نام کوتاه آن C4 سی چهار است --

comes in dozens of different forms in different people's genomes,

به چندین صورت مختلف در خزانه ژنی افراد مختلف ظاهر می‌شود،

and these different forms make different amounts

واین اشکال متفاوت هر یک مقادیر متفاوتی از

of C4 protein in our brains.

پروتیٔین C4 در مغز ما تولید می‌کند.

And he found that the more C4 protein our genes make,

و او دریافت که هر چه بیشتر ژنهای ما از این پروتیٔین C4 بسازند،

the greater our risk for schizophrenia.

خطرابتلا به شیزوفرنی در ما بیشتراست.

Now, C4 is still just one risk factor in a complex system.

با این‌همه C4 تنها یک عامل خطر است در میان یک سامانه پیچیده.

This isn't big B,

این ب بزرگ نیست.

but it's an insight about a molecule that matters.

ولی بینشی است درباره مولکولی که مهم است.

Complement proteins like C4 were known for a long time

پروتئین‌های کمپلمان از جمله C4 مدت درازی است که شناخته شده‌اند

for their roles in the immune system,

بخاطر نقش‌شان در سامانه ایمنی،

where they act as a kind of molecular Post-it note

که به یک برگه یادداشت می‌مانند

that says, "Eat me."

که می‌گوید، "مرا بخور".

And that Post-it note gets put on lots of debris

و این برگه یادداشت روی بسیاری از بقایا

and dead cells in our bodies

و سلولهای مرده در بدن ما زده می‌شود تا

and invites immune cells to eliminate them.

یاخته‌های ایمنی را دعوت به از میان بردن اینها کند.

But two colleagues of mine found that the C4 Post-it note

اما دو نفر از همکاران من دریافتند که برگه یادآوری C4

also gets put on synapses in the brain

همچنین بر روی سیناپس‌های مغز قرار می‌گیرد

and prompts their elimination.

و نابودی آنها را جلو می‌اندازد.

Now, the creation and elimination of synapses is a normal part

و اما ساختن و از میان بردن سیناپس‌ها یک بخش طبیعی

of human development and learning.

از تکامل و یادگیری انسان است.

Our brains create and eliminate synapses all the time.

مغز ما مرتبا سیناپس می‌سازد و نابود می‌کند.

But our genetic results suggest that in schizophrenia,

ولی از نتایج ژنتیکی چنین برمی‌آید که در شیزوفرنی،

the elimination process may go into overdrive.

فرآیند نابودی ممکن است فراتر رود.

Scientists at many drug companies tell me they're excited about this discovery,

دانشمندان چندین شرکت دارویی به من می گویند از این کشف هیجان زده اند،

because they've been working on complement proteins for years

زیرا آنها سالها روی پروتیٔین‌های کمپلمان

in the immune system,

در سیستم ایمنی کار کرده‌اند، و

and they've learned a lot about how they work.

چیزهای زیادی درباره نحوه کار آنها آموحته‌اند.

They've even developed molecules that interfere with complement proteins,

آنها حتی مولکولهایی پدید آورده‌اند که با پروتیٔین‌های کمپلمان تداخل می‌کند،

and they're starting to test them in the brain as well as the immune system.

و حالا می‌خواهند آنها را در مغز، همچنین دستگاه ایمنی به امتحان بگذارند.

It's potentially a path toward a drug that might address a root cause

این می‌تواند راهی به سوی یک دارویی باشد برای علت ریشه‌ای و

rather than an individual symptom,

نه فقط یک نشانه بیماری.

and we hope very much that this work by many scientists over many years

ما بس امیدواریم این کار که توسط دانشمندان بسیار و در طول سالیان در حال انجام است

will be successful.

به پیروزی بینجامد.

But C4 is just one example

ولی C4 تنها یک نمونه است

of the potential for data-driven scientific approaches

از توانایی رویکردهای علمی داده پردازانه

to open new fronts on medical problems that are centuries old.

برای گشودن راه‌های جدیدی بر موضوعات پزشکی یک قرن گذشته.

There are hundreds of places in our genomes

صدها نقطه در خزانه ژنی ما وجود دارد که

that shape risk for brain illnesses,

خطری برای بروز بیماری مغزی بشمار می‌آید،

and any one of them could lead us to the next molecular insight

وهر کدام آنها می‌تواند ما را به بینش مولکولی بعدی

about a molecule that matters.

درباره یک مولکول مهم رهنمون شود.

And there are hundreds of cell types that use these genes in different combinations.

ودر صدها گونه یاخته این ژنها در ترکیبهای گوناگون، بکار برده می‌شوند.

As we and other scientists work to generate

همچنان که ما و دیگر دانشمندان درکار تأمین

the rest of the data that's needed

سایر اطلاعات مورد نیاز و

and to learn all that we can from that data,

فراگرفتن تمام آنچه می‌توان، از این داده‌ها هستیم،

we hope to open many more new fronts.

امیدوارهستیم جبهه‌های نوین بیشتری را بگشاییم.

Genetics and single-cell analysis are just two ways

ژنتیک و بررسی سلول واحد فقط دو شیوه

of trying to turn the brain into a big data problem.

برای تبدیل مغز به موضوع داده‌ای بزرگ است.

There is so much more we can do.

کارهای بیشتری هست که می‌توان انجام داد.

Scientists in my lab are creating a technology

دانشمندان آزمایشگاهم فناوری‌ای می‌آفرینند

for quickly mapping the synaptic connections in the brain

برای نقشه‌برداری سریع تماس‌های سیناپسی مغز

to tell which neurons are talking to which other neurons

تا بتوان فهمید کدام پی‌یاخته با کدام پی‌یاخته دیگرگفتگو دارد

and how that conversation changes throughout life and during illness.

و این گفتگو چگونه در مسیر عمر و بیماری تغییر می‌کند.

And we're developing a way to test in a single tube

و ما داریم شیوه‌ای را پدید می‌آوریم تا با یک لوله واحد آزمایش کنیم

how cells with hundreds of different people's genomes

چگونه یاخته‌هایی با صدها ژنوم انسانی مختلف

respond differently to the same stimulus.

به یک محرک پاسخ متفاوتی می‌دهند.

These projects bring together people with diverse backgrounds

این طرح‌ها افرادی را گرد‌هم می‌آورد، از پیشینه گوناگون

and training and interests --

آموزش و منافع ناهمگون --

biology, computers, chemistry, math, statistics, engineering.

زیست‌شناسی، کامپیوتر، شیمی، ریاضی، آمار، مهندسی.

But the scientific possibilities rally people with diverse interests

ولی امکانات علمی، افراد با منافع ناهم‌راستا را گرد هم می‌آورد

into working intensely together.

تا با تمرکز با هم کار کنند.

What's the future that we could hope to create?

آینده‌ای که به ساختن آن بتوان امیدوار بود کدام است؟

Consider cancer.

سرطان را در نظر بگیرید.

We've moved from an era of ignorance about what causes cancer,

ما از یک عصر جاهلیت درباره ریشه سرطان،

in which cancer was commonly ascribed to personal psychological characteristics,

که در آن سرطان عموما به ویژگی‌های روانی شخصی نسبت داده می‌شد،

to a modern molecular understanding of the true biological causes of cancer.

به یک درک مولکولی مدرن از علل واقعی بیولوژیکی سرطان، هجرت کرده‌ایم.

That understanding today leads to innovative medicine

این درک مولکولی امروز منتهی به یک داروی نوآورانه

after innovative medicine,

پس از داروی نوآورانه دیگر می‌شود،

and although there's still so much work to do,

و اگرچه هنوز کار زیادی مانده که باید کرد،

we're already surrounded by people who have been cured of cancers

در پیرامون خود اکنون مردمی را می‌بینیم که از سرطان هایی شفا یافته‌اند

that were considered untreatable a generation ago.

که در یک نسل عقب‌تر غیر‌قابل درمان تصور می‌شدند.

And millions of cancer survivors like my sister

و میلیونها نفر از رهایی یافتگان از چنگار (سرطان) همچون خواهر من

find themselves with years of life that they didn't take for granted

دارای سالهای زندگی شده‌اند که مسلم نبودند

and new opportunities

همچنین فرصتهای تازه‌

for work and joy and human connection.

برای کار و شادمانی و پیوند با انسانها.

That is the future that we are determined to create around mental illness --

این آینده‌ای است که ما مصمم هستیم تا پیرامون بیماریهای ذهنی بوجود آوریم

one of real understanding and empathy

آینده‌ای از درک واقعی و همدردی

and limitless possibility.

و امکان بی‌پایان.

Thank you.

متشکرم.

(Applause)

(تشویق)