The next software revolution: programming biological cells | Sara-Jane Dunn

Translator: mohammad ali masoum Reviewer: Mahshid Moballegh Nasery

نیمه دوم قرن گذشته کاملا

با یک انقلاب تکنولوژیک تعریف شده بود:

انقلاب نرم افزار.

The second half of the last century was completely defined

توانایی برنامه‌ریزی الکترون‌ها روی ماده‌ایی به نام سیلیکون

by a technological revolution:

تکنولوژی‌ها، شرکت‌ها و صنایع‌هایی را ممکن ساخت

the software revolution.

که زمانی برای خیلی از ما غیرقابل تصور بودند،

The ability to program electrons on a material called silicon

و‌لی الان به طور بنیادی نحوه کار دنیا را عوض کرده‌اند.

made possible technologies, companies and industries

that were at one point unimaginable to many of us,

البته، نیمه اول این قرن،

قرار است با یک انقلاب تکنولوژیک دیگر تغییر کند:

but which have now fundamentally changed the way the world works.

انقلاب نرم افزار زنده.

The first half of this century, though,

و این با توانایی برنامه‌ریزی بیوشیمی

is going to be transformed by a new software revolution:

بر روی مواد زیستی ممکن می‌شود.

the living software revolution.

و این به ما قدرتی می‌دهد که ویژگی‌های بیولوژیک را کنترل کنیم

And this will be powered by the ability to program biochemistry

تا روش‌های درمانی جدیدی را تولید کنیم،

on a material called biology.

تا بافت آسیب دیده را تعمیر کنیم،

And doing so will enable us to harness the properties of biology

تا سلول‌های معیوب را دوباره برنامه‌ریزی کنیم

یا حتی سیستم عاملی با قابلیت برنامه‌نویسی از بیوشیمی بسازیم.

to generate new kinds of therapies,

to repair damaged tissue,

اگر این را بفهمیم --- و ما نیاز داریم که این را بفهمیم --

to reprogram faulty cells

or even build programmable operating systems out of biochemistry.

تاثیرش به قدری بزرگ خواهد بود

که اولین انقلاب نرم افزاری در مقابلش کمرنگ خواهد بود.

If we can realize this -- and we do need to realize it --

و این به خاطر این است که نرم افزار زنده،

its impact will be so enormous

علم پزشکی، کشاورزی و نیرو را تغییر خواهد داد.

that it will make the first software revolution pale in comparison.

و این‌ها بخش‌هایی هستند که تسخیرشدگان فناوری را مسخره می‌کنند.

And that's because living software would transform the entirety of medicine,

گیاهان قابل برنامه‌ریزی را تصور کنید که نیتروژن را بهینه‌تر تنظیم می‌کنند

agriculture and energy,

and these are sectors that dwarf those dominated by IT.

یا در مقابل پاتوژن‌های قارچی جدید مقاومت می‌کنند،

و یا حتی برنامه نویسی محصولات به طوری که

Imagine programmable plants that fix nitrogen more effectively

می‌توانید به نسبت هر سال تولید محصول خود را دو برابر کنید.

or resist emerging fungal pathogens,

این کشاورزی را متحول می‌کند

or even programming crops to be perennial rather than annual

و چگونه ما جمعیت رو به رشد و جهانی خود را تغذیه خواهیم کرد.

so you could double your crop yields each year.

یا ایمنی قابل برنامه‌ریزی را تصور کنید،

That would transform agriculture

طراحی و به کارگیری وسیله‌های مولکولی که سیستم ایمنی شما را

and how we'll keep our growing and global population fed.

برای شناسایی، ریشه کن کردن یا حتی پیشگیری از بیماری هدایت می‌کنند.

Or imagine programmable immunity,

این پزشکی را دگرگون می‌کند

designing and harnessing molecular devices that guide your immune system

و چگونه ما جمعیت جوان و سالخورده‌مان را سالم نگه داریم.

to detect, eradicate or even prevent disease.

ما اکنون بسیاری از ابزارهایی را داریم که نرم‌افزارزندگی را به واقعیت تبدیل می‌کنند.

This would transform medicine

and how we'll keep our growing and aging population healthy.

ما می‌توانیم دقیقا ژن‌ها را با کرسپیر ویرایش کنیم.

ما می‌توانیم کد ژنتیکی یک باز را در یک زمان بازنویسی کنیم.

We already have many of the tools that will make living software a reality.

ما حتی می‌توانیم مدارهای مصنوعی را از دی. ان . ای بسازیم.

We can precisely edit genes with CRISPR.

اما بدانید که چگونگی و زمان برای استفاده از این ابزار،

We can rewrite the genetic code one base at a time.

هنوز روند آزمون و خطا است.

We can even build functioning synthetic circuits out of DNA.

این نیاز به مهارت عمیق، سال‌های تخصص دارد.

But figuring out how and when to wield these tools

و کشف پروتکل‌های تجربی دشوار است

is still a process of trial and error.

و خیلی وقت‌ها دوباره، تولید آن‌ها دشوار است.

It needs deep expertise, years of specialization.

و، شما می‌دانید، ما در بیولوژی تمایل به تمرکز زیاد روی بخش‌هایی داریم،

And experimental protocols are difficult to discover

اما همه ما می‌دانیم که چیزی مثل پرواز

and all too often, difficult to reproduce.

تنها با مطالعه پرها قابل درک نخواهد بود.

And, you know, we have a tendency in biology to focus a lot on the parts,

پس برنامه نویسی بیولوژی هنوز به اندازه سادگی برنامه‌ریزی رایانه شما نیست.

but we all know that something like flying wouldn't be understood

و سپس، بدتر از همه،

by only studying feathers.

سیستم‌های زندگی عمدتا هیچ شباهتی به سیستم‌های مهندسی شده‌ای که

So programming biology is not yet as simple as programming your computer.

شما و من هر روز برنامه‌ریزی می‌کنیم ندارد.

And then to make matters worse,

در مقایسه با سیستم‌های مهندسی، ،سیستم‌های زنده خودشان تولید می‌شوند

living systems largely bear no resemblance to the engineered systems

آن‌ها خود سازماندهی می‌کنند،

آن‌ها در مقیاس‌های مولکولی کار می‌کنند.

that you and I program every day.

و این تعاملات سطح مولکولی

In contrast to engineered systems, living systems self-generate,

به طور کلی منجر به تولید مقیاس خروجی بزرگ می‌شود.

they self-organize,

آنها حتی می‌توانند خود را تعمیر کنند.

they operate at molecular scales.

And these molecular-level interactions

گیاه حساس به قهر را درنظر بگیرید، برای مثال،

lead generally to robust macro-scale output.

مثل این که یکی از آنها در پیش بخاری خانه خود گذاشته‌اید

They can even self-repair.

و یادتان رفته به آن آب بدهید.

هر روز، با وجود غفلت شما، این گیاه باید از خواب بیدار شود

Consider, for example, the humble household plant,

و چگونگی تخصیص منابع خود را بیابد.

like that one sat on your mantelpiece at home

that you keep forgetting to water.

آیا رشد خواهد کرد، فتوسنتز می‌کند، دانه‌ها را تولید می‌کند یا گل می‌دهد؟

Every day, despite your neglect, that plant has to wake up

این تصمیمی است که باید در سطح کل ارگانیسم گرفته شود.

and figure out how to allocate its resources.

اما گیاه مغز ندارد تا همه چیز را بفهمد.

Will it grow, photosynthesize, produce seeds, or flower?

این باید با سلول‌های روی برگ‌های خودش انجام شود.

And that's a decision that has to be made at the level of the whole organism.

آنها باید به محیط زیست پاسخ دهند

But a plant doesn't have a brain to figure all of that out.

و تصمیماتی را که بر کل گیاه تاثیر می‌گذارد بگیرند.

بنابراین به نحوی باید یک برنامه در داخل این سلول‌ها وجود داشته باشد،

It has to make do with the cells on its leaves.

They have to respond to the environment

یک برنامه‌ای که به سیگنال‌های ورودی و نشانه‌ها پاسخ می‌دهد

and make the decisions that affect the whole plant.

و آنچه را که این سلول انجام خواهد داد، شکل می‌دهد.

So somehow there must be a program running inside these cells,

و سپس این برنامه‌ها باید در یک روش توزیع شده

a program that responds to input signals and cues

در سراسر سلول‌های افراد عمل کنند،

تا بتوانند هماهنگ شوند و این گیاه بتواند رشد کند و شکوفا شود.

and shapes what that cell will do.

And then those programs must operate in a distributed way

اگر ما بتوانیم این برنامه‌های بیولوژیکی را درک کنیم،

across individual cells,

so that they can coordinate and that plant can grow and flourish.

اگر بتوانیم محاسبات بیولوژیکی را درک کنیم،

این توانایی ما را برای درک چگونگی و اینکه چرا

If we could understand these biological programs,

سلول‌ها انجام می‌دهند، متحول می‌کند.

if we could understand biological computation,

چون، اگر ما این برنامه‌ها را درک کردیم،

وقتی که همه چیز اشتباه می‌شد می توانستیم آن‌ها را نادیده بگیریم.

it would transform our ability to understand how and why

یا می‌توانیم از آنها یاد بگیریم که چگونه انواع مدارهای مصنوعی را طراحی کنیم

cells do what they do.

Because, if we understood these programs,

که واقعا از قدرت محاسباتی بیوشیمی استفاده می‌کنند.

we could debug them when things go wrong.

Or we could learn from them how to design the kind of synthetic circuits

و شوق من در مورد این ایده من را به یک

that truly exploit the computational power of biochemistry.

محقق حرفه‌ای در رابطه ریاضی، علوم کامپیوتر و زیست شناسی تبدیل کرد.

و در کار من، من بر مفهوم بیولوژی به عنوان محاسبات تمرکز می‌کنم.

My passion about this idea led me to a career in research

at the interface of maths, computer science and biology.

و این بدان معنی است که سلول‌ها چه چیزی را محاسبه می‌کنند،

And in my work, I focus on the concept of biology as computation.

و چگونه می‌توانیم این برنامه‌های بیولوژیکی را کشف کنیم؟

و من این سوالات را با برخی از همکاران با هوش

And that means asking what do cells compute,

and how can we uncover these biological programs?

در مرکز تحقیقات مایکروسافت و دانشگاه کمبریج پرسیدم،

جایی که ما می‌خواستیم

And I started to ask these questions together with some brilliant collaborators

اجرای برنامه بیولوژیکی در داخل نوع خاصی سلول متوجه بشیم:

at Microsoft Research and the University of Cambridge,

یک سلول بنیادی جنینی.

where together we wanted to understand

این سلول‌ها منحصر به فرد هستند، زیرا آنها کاملا ساده هستند.

the biological program running inside a unique type of cell:

آنها می‌توانند به هر چیزی که می‌خواهند تبدیل شوند:

an embryonic stem cell.

یک سلول مغز، یک سلول قلب، سلول استخوان، سلول ریه،

هر نوع سلول بالغ.

These cells are unique because they're totally naïve.

این سادگی،آن‌ها را جدا می‎‌کند،

They can become anything they want:

اما این نیز تصور جامعه علمی را،

a brain cell, a heart cell, a bone cell, a lung cell,

که متوجه شوند احتیاج داشت، اگر این پتانسیل را به دام می‌انداختیم،

any adult cell type.

می‌توانستیم یک ابزار قدرتمند برای دارو داشته باشیم.

This naïvety, it sets them apart,

but it also ignited the imagination of the scientific community,

اگر می‌توانستیم دریابیم که چگونه این سلول‌ها تصمیم می‌گیرند

who realized, if we could tap into that potential,

تا به سلول یا انواع دیگری تبدیل شوند،

ممکن است بتوانیم آن‌ها را برای تولید سلول‌هایی که

we would have a powerful tool for medicine.

نیاز به تعمیر بافت بیمار یا آسیب دیده داریم به کار بگیریم.

If we could figure out how these cells make the decision

to become one cell type or another,

اما متوجه شدیم درک این دیدگاه بدون چالش نیست،

we might be able to harness them

to generate cells that we need to repair diseased or damaged tissue.

به این دلیل که این سلول‌های خاص،

آنها تنها شش روز پس از لقاح ظاهر می‌شوند.

But realizing that vision is not without its challenges,

و سپس در عرض یک روز یا بیشتر، از بین رفته‌اند.

not least because these particular cells,

آنها مسیرهای مختلفی را که تمام ساختارها و

ارگان‌های بدن بزرگسال را تشکیل می‌دهند، خاموش کرده‌اند.

they emerge just six days after conception.

And then within a day or so, they're gone.

اما معلوم می‌شود که بخش‌های سلولی

They have set off down the different paths

that form all the structures and organs of your adult body.

بیشتر از تصورات ما تغییر پذیرند.

حدود ۱۳ سال پیش، برخی از دانشمندان واقعا انقلابی را نشان دادند.

But it turns out that cell fates are a lot more plastic

با قرار دادن فقط تعداد انگشت شماری از ژن‌ها در یک سلول بزرگسال،

than we might have imagined.

About 13 years ago, some scientists showed something truly revolutionary.

مانند یکی از سلول‌های پوستی شما،

می‌توانید این سلول را به حالت ساده‌تر تبدیل کنید.

By inserting just a handful of genes into an adult cell,

و این فرآیندی است که در واقع به عنوان برنامه‌ ریزی مجدد شناخته شده است.

like one of your skin cells,

و این اجازه می‌دهد تا ما یک نوع سلول‌های بنیادی آرمانی را تصور کنیم،

you can transform that cell back to the naïve state.

توانایی گرفتن نمونه‌ای از سلول‌های خود بیمار،

And it's a process that's actually known as "reprogramming,"

آنها را به حالت ساده ای تبدیل می‌کند

and it allows us to imagine a kind of stem cell utopia,

و از این سلول‌ها استفاده می‌کند تا هرچه بیمار نیاز داشته باشد،

the ability to take a sample of a patient's own cells,

این که آیا سلول‌های مغزی یا سلول‌های قلب هستند.

transform them back to the naïve state

اما بالغ بر دهه‌های گذشته یا بیشتر،

معلوم شد چطور سلول سرنوشت سلولی را تغییر می‌دهد،

and use those cells to make whatever that patient might need,

این هنوز تحت آزمون و خطا است.

whether it's brain cells or heart cells.

حتی در مواردی که ما پروتکل‌های آزمایشی موفق را کشف کردیم،

But over the last decade or so,

figuring out how to change cell fate,

هنوز ناکارآمد هستند،

it's still a process of trial and error.

و ما درک اساسی از چگونگی و چرا آنها کار می‌کنند نداریم.

Even in cases where we've uncovered successful experimental protocols,

اگر متوجه شدید که چگونه یک سلول بنیادی را به یک سلول قلب تغییر دهید،

they're still inefficient,

and we lack a fundamental understanding of how and why they work.

هیچ راهی برای گفتن نحوه تغییر سلول‌های بنیادی به

سلول مغز ندارید.

If you figured out how to change a stem cell into a heart cell,

بنابراین ما می‌خواستیم برنامه بیولوژیکی را در

that hasn't got any way of telling you how to change a stem cell

داخل یک سلول بنیادی جنینی درک کنیم،

و درک محاسبات انجام شده توسط یک سیستم زنده

into a brain cell.

So we wanted to understand the biological program

از یک سوال ساده ویرانگر شروع می‌شود:

running inside an embryonic stem cell,

این سیستم واقعا باید چه کار کند؟

and understanding the computation performed by a living system

starts with asking a devastatingly simple question:

در حال حاضر، علم کامپیوتر در واقع مجموعه‌ای از استراتژی‌های

مربوط به برخورد با آنچه که نرم افزار و سخت افزار باید انجام دهد دارد.

What is it that system actually has to do?

هنگامی که یک برنامه را می‌نویسید، یک قطعه نرم افزاری را کد می‌کنید،

Now, computer science actually has a set of strategies

می‌خواهید این نرم افزار به درستی اجرا شود.

for dealing with what it is the software and hardware are meant to do.

شما عملکرد، کارایی را می‌خواهید.

شما می‌خواهید از اشکالات جلوگیری کنید.

When you write a program, you code a piece of software,

آنها می‌توانند برای شما هزینه‌دار باشند.

پس هنگامی که یک توسعه دهنده برنامه را می‌نویسد،

you want that software to run correctly.

می‌تواند مجموعه‌ای از مشخصات را بنویسد.

You want performance, functionality.

این‌ها چیزی است که برنامه شما باید انجام دهد.

You want to prevent bugs.

They can cost you a lot.

شاید این باید اندازه دو عدد

So when a developer writes a program,

یا شماره سفارش را با افزایش اندازه مقایسه کند.

they could write down a set of specifications.

فناوری وجود دارد که به ما اجازه می‌دهد تا به طور خودکار بررسی کنیم

These are what your program should do.

Maybe it should compare the size of two numbers

که آیا خصوصیات ما راضی هستند،

or order numbers by increasing size.

این برنامه چه کاری باید انجام دهد.

Technology exists that allows us automatically to check

بنابراین ایده ما این بود که به همان شیوه،

whether our specifications are satisfied,

مشاهدات تجربی، چیزهایی که ما در آزمایشگاه اندازه گیری می‌کنیم،

whether that program does what it should do.

آنها با مشخصات آنچه برنامه بیولوژیکی باید انجام دهد مطابقت دارند.

And so our idea was that in the same way,

experimental observations, things we measure in the lab,

بنابراین ما فقط نیاز به کشف راهی

برای رمزگذاری این نوع جدید مشخصات داریم.

they correspond to specifications of what the biological program should do.

خب بگوییم شما در آزمایشگاه مشغول بودید ژن‌های خود را اندازه گیری کرده‌اید و

So we just needed to figure out a way

و متوجه شده‌اید که اگر ژن A فعال باشد،

to encode this new type of specification.

ژن B یا ژن C به نظر می‌رسد فعال است.

So let's say you've been busy in the lab and you've been measuring your genes

ما می‌توانیم این مشاهدات را به عنوان یک عبارت ریاضی بنویسیم

and you've found that if Gene A is active,

اگر بتوانیم از زبان منطق استفاده کنیم:

then Gene B or Gene C seems to be active.

اگر A، سپس B یا C.

We can write that observation down as a mathematical expression

در حال حاضر این یک مثال بسیار ساده است.

if we can use the language of logic:

این فقط برای نشان دادن موضوع است.

ما می‌توانیم عبارات واقعا غنی را رمزگذاری کنیم

If A, then B or C.

که در واقع رفتار ژن‌های مختلف یا پروتئین‌ها را

Now, this is a very simple example, OK.

It's just to illustrate the point.

در طول چندین آزمایش مختلف ضبط می‌کند.

We can encode truly rich expressions

و بنابراین با ترجمه مشاهدات

that actually capture the behavior of multiple genes or proteins over time

به بیان ریاضی به این طریق،

ممکن است آزمایش شود که آیا این مشاهدات می‌توانند

across multiple different experiments.

And so by translating our observations

از یک برنامه تعاملات ژنتیکی ظاهر شوند یا خیر.

into mathematical expression in this way,

it becomes possible to test whether or not those observations can emerge

و ما یک ابزار برای انجام این کار را ایجاد کردیم.

ما توانستیم از این ابزار برای مشاهده مشاهدات به عنوان

from a program of genetic interactions.

عبارات ریاضی استفاده کنیم،

و سپس این ابزار به ما اجازه می‌دهد تا برنامه ژنتیکی را کشف کنیم

And we developed a tool to do just this.

We were able to use this tool to encode observations

که بتواند همه آنها را توضیح دهد.

و پس از آن ما این رویکرد را برای

as mathematical expressions,

and then that tool would allow us to uncover the genetic program

کشف برنامه ژنتیکی در داخل سلول‌های بنیادی جنینی اعمال می‌کنیم

that could explain them all.

تا ببینیم آیا می‌توانیم درک کنیم که چگونه حالت ساده را تحریک کنیم.

And we then apply this approach

to uncover the genetic program running inside embryonic stem cells

و این ابزار در واقع بر روی

یک حلال ساخته شده است که به طور معمول در سراسر جهان

to see if we could understand how to induce that naïve state.

برای تأیید نرم افزار متعارف مستقر شده است.

بنابراین ما با مجموعه‌ای از تقریبا ۵۰ مشخصات مختلف شروع کردیم

And this tool was actually built

on a solver that's deployed routinely around the world

که از مشاهدات تجربی سلول‌های بنیادی جنینی تولید کردیم.

for conventional software verification.

So we started with a set of nearly 50 different specifications

و با رمزگذاری این مشاهدات در این ابزار،

ما توانستیم اولین برنامه مولکولی را کشف کنیم

that we generated from experimental observations of embryonic stem cells.

که بتواند همه آنها را توضیح دهد.

And by encoding these observations in this tool,

حالا، این خودش نوعی شاهکار است، درست است؟

we were able to uncover the first molecular program

تطبیق دادن تمام این مشاهدات مختلف،

that could explain all of them.

از آن دست چیزهایی نیست که بتوانید به سرعت وسرسری انجام دهید

Now, that's kind of a feat in and of itself, right?

حتی اگر موقعیتش را داشته باشید.

Being able to reconcile all of these different observations

از آنجا که ما این نوع درک را داریم،

is not the kind of thing you can do on the back of an envelope,

می‌توانستیم یک مرحله دیگر را ادامه دهیم.

ما می‌توانستیم از این برنامه برای پیش بینی آنچه که این سلول ممکن است

even if you have a really big envelope.

در شرایطی که هنوز آزمایش نشده بود انجام دهند استفاده کنیم.

Because we've got this kind of understanding,

ما می‌توانستیم برنامه را در سیلیکون بررسی کنیم.

we could go one step further.

We could use this program to predict what this cell might do

و ما فقط این کار را کردیم:

ما پیش بینی‌هایی را که در آزمایشگاه تست کردیم تولید کردیم،

in conditions we hadn't yet tested.

و متوجه شدیم که این برنامه بسیار پیش بینی شده بود.

We could probe the program in silico.

این به ما گفت که چگونه می‌توانیم پیشرفت را

And so we did just that:

we generated predictions that we tested in the lab,

به سرعت و کارآمد به حالت عادی بازگردانیم.

and we found that this program was highly predictive.

این به ما گفته است کدام ژن‌ها هدف این کار هستند،

It told us how we could accelerate progress

کدام ژنها حتی ممکن است مانع این روند شوند.

back to the naïve state quickly and efficiently.

ما حتی این برنامه را پیش بینی کردیم که کدام ژن‌ها را تغییر دهیم.

It told us which genes to target to do that,

which genes might even hinder that process.

بنابراین این رویکرد واقعا به ما اجازه داد تا پویایی

We even found the program predicted the order in which genes would switch on.

آنچه که سلول‌ها انجام می‌دهند را کشف کنیم.

آنچه ما ایجاد کردیم، این روش خاصی برای بیولوژی سلول‌های بنیادی نیست.

So this approach really allowed us to uncover the dynamics

بلکه به ما اجازه می‌دهد تا محاسبات

of what the cells are doing.

حاصل از سلول را

What we've developed, it's not a method that's specific to stem cell biology.

در زمینه تعاملات ژنتیکی انجام دهیم.

پس واقعا، این فقط یک واحد سازنده است.

Rather, it allows us to make sense of the computation

این میدان به طور فزاینده نیاز به ایجاد رویکردهای جدید

being carried out by the cell

in the context of genetic interactions.

برای درک محاسبات بیولوژیکی به طور گسترده تر دارد

و در سطوح مختلف،

So really, it's just one building block.

از DNA درست به جریان اطلاعات بین سلول‌ها.

The field urgently needs to develop new approaches

to understand biological computation more broadly

فقط این نوع درک تحول آمیز ما را قادر می‌سازد تا

and at different levels,

بیولوژی را به گونه‌ای که قابل پیش بینی و قابل اعتماد است استفاده کنیم.

from DNA right through to the flow of information between cells.

Only this kind of transformative understanding

اما برای برنامه‌های بیولوژی، ما همچنین باید انواع ابزار

will enable us to harness biology in ways that are predictable and reliable.

و زبان‌هایی را که هر دو

تجربیات و دانشمندان محاسباتی را

But to program biology, we will also need to develop

قادر به طراحی عملکرد بیولوژیکی می‌کنند توسعه دهیم

و این طرح‌ها را به کد دستگاه سلول کامپایل کنیم،

the kinds of tools and languages

that allow both experimentalists and computational scientists

این بیوشیمی است.

به طوری که می‌توانیم آن سازه‌ها را بسازیم.

to design biological function

در حال حاضر این چیزی شبیه به یک کامپایلر نرم افزار زندگی است،

and have those designs compile down to the machine code of the cell,

و من افتخار می‌کنم که بخشی از یک تیم در مایکروسافت هستم

its biochemistry,

so that we could then build those structures.

که برای ایجاد یکی از آن کار می‌کند.

اگر چه می‌گویند این یک چالش بزرگ غیرقابل توصیف است،

Now, that's something akin to a living software compiler,

اگر آن را تحقق بخشید،

and I'm proud to be part of a team at Microsoft

این پل نهایی بین نرم افزار و حیات مصنوعی است.

that's working to develop one.

Though to say it's a grand challenge is kind of an understatement,

به طور گسترده، هرچند، بیولوژی برنامه نویسی قرار است ممکن باشد،

but if it's realized,

it would be the final bridge between software and wetware.

اگر بتوانیم زمینه را به طور واقعی بین رشته‌ای تبدیل کنیم.

این نیاز دارد که ما بین علوم فیزیکی و زندگی پل بزنیم،

More broadly, though, programming biology is only going to be possible

و دانشمندان از هر یک از این رشته‌ها باید بتوانند

if we can transform the field into being truly interdisciplinary.

با زبان‌های مشترک همکاری کنند

It needs us to bridge the physical and the life sciences,

و سوالات علمی مشترک داشته باشند.

and scientists from each of these disciplines

در بلند مدت، به یاد داشته باشید که بسیاری از شرکت‌های نرم افزاری غول پیکر

need to be able to work together with common languages

and to have shared scientific questions.

که من و شما هر روز با آن‌ها کار می‌کنیم

به سختی می‌توانستند زمانی را تصور کنند

In the long term, it's worth remembering that many of the giant software companies

که ما ابتدا برنامه ریزی روی میکروچیپ‌های سیلیکون را شروع کردیم.

و اگر ما اکنون در مورد پتانسیل

and the technology that you and I work with every day

could hardly have been imagined

فن آوری فعال شده توسط بیولوژی محاسباتی فکر کنیم،

at the time we first started programming on silicon microchips.

برخی از مراحل را که باید در مسیر این واقعیت

And if we start now to think about the potential for technology

به دست آوریم خواهیم دید.

حالا، تصور می‌شود که این نوع فناوری

enabled by computational biology,

we'll see some of the steps that we need to take along the way

می‌تواند برای سوء استفاده باز باشد.

اگر ما مایل به صحبت در مورد پتانسیل

to make that a reality.

برای برنامه‌ریزی سلول‌های ایمنی هستیم،

Now, there is the sobering thought that this kind of technology

همچنین باید در مورد پتانسیل باکتری‌های طراحی شده برای

could be open to misuse.

فرار از آن‌ها فکر کنیم.

If we're willing to talk about the potential

ممکن است مردم مایل به انجام این کار باشند.

for programming immune cells,

we should also be thinking about the potential of bacteria

حالا، یک تفکر اطمینان بخش

این است -- که خب، کمتر برای دانشمندان --

engineered to evade them.

این است که بیولوژی چیز شکننده‌ای است که با آن کار می‌کنند.

There might be people willing to do that.

بنابراین بیولوژی برنامه نویسی چیزی نیست که

Now, one reassuring thought in this

شما در آلونک باغ خود انجام دهید.

is that -- well, less so for the scientists --

is that biology is a fragile thing to work with.

اما چون ما در ابتدا هستیم،

می‌توانیم با دیدگاه بازچشمانمان به جلو حرکت کنیم.

So programming biology is not going to be something

ما می‌توانیم سوالات دشوار در پیش رو را بپرسیم،

you'll be doing in your garden shed.

ما می‌توانیم ضمانت‌های لازم را در نظر بگیریم

But because we're at the outset of this,

we can move forward with our eyes wide open.

و به عنوان بخشی از آن، ما باید در مورد اخلاق خودمان فکر کنیم.

We can ask the difficult questions up front,

ما باید در مورد قرار دادن محدودیت‌های مربوط به اجرای

we can put in place the necessary safeguards

عملکرد بیولوژیکی فکر کنیم.

and, as part of that, we'll have to think about our ethics.

بنابراین به عنوان بخشی از این، تحقیقات موجود در بیوشیمی باید یک اولویت باشد.

We'll have to think about putting bounds on the implementation

این را نمی‌توان به الویت دوم

of biological function.

در هیجان نوآوری علمی تبدیل کرد.

So as part of this, research in bioethics will have to be a priority.

اما جایزه نهایی، مقصد نهایی در این سفر،

It can't be relegated to second place

دستیابی کاربردی و دستیابی صنعتی

in the excitement of scientific innovation.

در حوزه‌های کشاورزی و پزشکی تا انرژی و مواد

But the ultimate prize, the ultimate destination on this journey,

و حتی خود محاسباتی خواهد بود.

would be breakthrough applications and breakthrough industries

تصور کنید، یک روز ما می‌توانیم سیاره را به طور مداوم

in areas from agriculture and medicine to energy and materials

روی انرژی سبز نهایی حفظ کنیم،

and even computing itself.

اگر بتوانیم چیزی را که گیاهان از سال پیش از آن استفاده می‌کنند تقلید کنیم:

Imagine, one day we could be powering the planet sustainably

چگونه انرژی خورشید را با بهره وری که توسط سلول‌های خورشیدی فعلی

on the ultimate green energy

ما بی نظیر است، استفاده کنیم.

if we could mimic something that plants figured out millennia ago:

اگر ما این برنامه تعاملات کوانتومی را درک می‌کردیم

how to harness the sun's energy with an efficiency that is unparalleled

که اجازه می‌دهد گیاهان به طور موثر نور خورشید را جذب کنند،

by our current solar cells.

ممکن بود بتوانیم آن را به ساخت مدارهای DNA مصنوعی

If we understood that program of quantum interactions

که مواد را برای سلول‌های خورشیدی بهتر ارائه می‌دهیم ترجمه کنیم.

that allow plants to absorb sunlight so efficiently,

تیم‌ها و دانشمندان در حال حاضر در مورد اصول این موضوع کار می‌کنند،

we might be able to translate that into building synthetic DNA circuits

بنابراین شاید اگر آن جلب توجه و سرمایه گذاری مناسب داشته باشد،

that offer the material for better solar cells.

می‌توان آن را در۱۰ یا ۱۵ سال تحقق بخشید.

There are teams and scientists working on the fundamentals of this right now,

بنابراین ما در ابتدای یک انقلاب تکنولوژیکی هستیم.

so perhaps if it got the right attention and the right investment,

درک این نوع محاسبات بیولوژیکی باستانی

it could be realized in 10 or 15 years.

اولین گام مهم است.

So we are at the beginning of a technological revolution.

و اگر ما بتوانیم این را درک کنیم،

به دوران یک سیستم عامل وارد می‌شویم

Understanding this ancient type of biological computation

که نرم افزار زندگی را اجرا می‌کند.

is the critical first step.

بسیار سپاسگزارم.

(تشویق)

And if we can realize this,

we would enter in the era of an operating system

that runs living software.

Thank you very much.

(Applause)