Juan Enriquez: The life-code that will reshape the future

87,235 views ・ 2007-05-16

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Reka Lorinczy Lektor: Péter Pallós
00:26
I'm supposed to scare you, because it's about fear, right?
0
26000
3000
Meg kéne ijesszem önöket, mert ez félelmetes, ugye?
És valóban félniük kellene,
00:30
And you should be really afraid,
1
30000
2000
00:32
but not for the reasons why you think you should be.
2
32000
2000
de nem azért, amire gondolnak.
00:35
You should be really afraid that --
3
35000
2000
Azért kellene félniük,
00:37
if we stick up the first slide on this thing -- there we go -- that you're missing out.
4
37000
4000
– ha sikerül megmutatni erről az első diát – hogy kihagynak valamit.
Mert ha ezt a hetet Irakra gondolva töltik,
00:43
Because if you spend this week thinking about Iraq and
5
43000
4000
és Bushra vagy a tőzsdére gondolnak,
00:47
thinking about Bush and thinking about the stock market,
6
47000
4000
akkor elmulasztják a legnagyobb kalandot, amiben valaha is részt vettünk.
00:51
you're going to miss one of the greatest adventures that we've ever been on.
7
51000
2000
A kaland valójában a következőkről szól.
00:54
And this is what this adventure's really about.
8
54000
2000
00:56
This is crystallized DNA.
9
56000
4000
Ez itt kristályos DNS.
Minden életformát ezen a bolygón – rovart, baktériumot, növényt,
01:00
Every life form on this planet -- every insect, every bacteria, every plant,
10
60000
3000
01:03
every animal, every human, every politician -- (Laughter)
11
63000
3000
állatot, embert, politikust – (Nevetés)
01:08
is coded in that stuff.
12
68000
2000
ez a dolog kódol.
01:10
And if you want to take a single crystal of DNA, it looks like that.
13
70000
4000
Ha csak egy DNS-kristályt veszünk, az így néz ki.
01:14
And we're just beginning to understand this stuff.
14
74000
2000
Csak most kezdjük érteni ezt a dolgot.
01:17
And this is the single most exciting adventure that we have ever been on.
15
77000
3000
Ez a legizgalmasabb kaland, amiben valaha részt vehettünk.
Az egyetlen és legnagyobb feltérképezési projekt.
01:21
It's the single greatest mapping project we've ever been on.
16
81000
3000
Ha azt hiszik, hogy Amerika feltérképezése változást jelentett,
01:24
If you think that the mapping of America's made a difference,
17
84000
2000
01:26
or landing on the moon, or this other stuff,
18
86000
3000
vagy a holdra szállás, vagy ez a másik dolog,
01:29
it's the map of ourselves and the map of every plant
19
89000
3000
a saját térképünk és az összes növényé,
01:32
and every insect and every bacteria that really makes a difference.
20
92000
3000
az összes rovaré, baktériumé, akkor ez tényleg változást jelent.
01:35
And it's beginning to tell us a lot about evolution.
21
95000
3000
És kezd egy csomó dolgot közölni az evolúcióról.
01:40
(Laughter)
22
100000
4000
(Nevetés)
01:44
It turns out that what this stuff is --
23
104000
2000
Úgy tűnik, hogy ez a dolog –
01:46
and Richard Dawkins has written about this --
24
106000
2000
Richard Dawkins is írt róla –
01:48
is, this is really a river out of Eden.
25
108000
2000
tényleg egy folyó az Édenből.
01:50
So, the 3.2 billion base pairs inside each of your cells
26
110000
4000
A 3,2 millió bázispár az önök minden egyes sejtjében
01:54
is really a history of where you've been for the past billion years.
27
114000
3000
őrzi egykori létük egymilliárd éves történetét.
Elkezdhetnénk keltezni őket,
01:57
And we could start dating things,
28
117000
1000
01:58
and we could start changing medicine and archeology.
29
118000
3000
megváltoztatni az orvoslást és a régészetet.
Ha a 700 évvel ezelőtti emberi fajt tekintjük,
02:02
It turns out that if you take the human species about 700 years ago,
30
122000
3000
02:05
white Europeans diverged from black Africans in a very significant way.
31
125000
3000
a fehér európaiak a fekete afrikaiaktól igen eltérően fejlődtek.
02:08
White Europeans were subject to the plague.
32
128000
5000
A fehér európaiak ki voltak téve a pestisnek,
02:14
And when they were subject to the plague, most people didn't survive,
33
134000
3000
és nagy részük nem élte túl.
02:17
but those who survived had a mutation on the CCR5 receptor.
34
137000
4000
De aki igen, annak volt egy mutációja a CCR5 receptoron,
02:21
And that mutation was passed on to their kids
35
141000
2000
melyet továbbörökített a gyerekeire,
02:23
because they're the ones that survived,
36
143000
2000
mert hiszen ők a túlélők.
02:25
so there was a great deal of population pressure.
37
145000
2000
Tehát nagy volt a populációs nyomás.
02:27
In Africa, because you didn't have these cities,
38
147000
2000
Mivel Afrikában nem voltak városok,
02:29
you didn't have that CCR5 population pressure mutation.
39
149000
3000
nem mutálódott a CCR5 populációs nyomás híján.
02:32
We can date it to 700 years ago.
40
152000
3000
Az események 700 éve történtek.
02:35
That is one of the reasons why AIDS is raging across Africa as fast as it is,
41
155000
4000
Ez az egyik ok,
ami miatt az AIDS Afrikában sebesebben terjed, mint Európában.
02:39
and not as fast across Europe.
42
159000
4000
Ezeket a kis dolgokat most kezdjük megtalálni
02:43
And we're beginning to find these little things for malaria,
43
163000
3000
a maláriát, sarlósejtet, rákot illetően.
02:46
for sickle cell, for cancers.
44
166000
3000
Miközben kutatunk, feltérképezzük magunkat,
02:50
And in the measure that we map ourselves,
45
170000
2000
02:52
this is the single greatest adventure that we'll ever be on.
46
172000
2000
és ez a legnagyszerűbb kaland, amiben részt vehetünk.
02:54
And this Friday, I want you to pull out a really good bottle of wine,
47
174000
4000
Pénteken bontsanak egy igazán jó bort,
02:58
and I want you to toast these two people.
48
178000
2000
és koccintsanak erre a két emberre,
mert 50 éve Watson és Crick felfedezték a DNS szerkezetét.
03:01
Because this Friday, 50 years ago, Watson and Crick found the structure of DNA,
49
181000
4000
03:05
and that is almost as important a date
50
185000
3000
Ez a dátum majdnem olyan fontos,
03:08
as the 12th of February when we first mapped ourselves,
51
188000
3000
mint február 12-e, amikor először térképeztük fel magunkat,
de majd oda is el fogok jutni.
03:11
but anyway, we'll get to that.
52
191000
2000
Gondoltam, beszéljünk az új állatkertről.
03:13
I thought we'd talk about the new zoo.
53
193000
2000
Mindenki hallott a DNS-ről, és arról, hogy mi mindenre képes.
03:15
So, all you guys have heard about DNA, all the stuff that DNA does,
54
195000
4000
03:19
but some of the stuff we're discovering is kind of nifty
55
199000
3000
De a felfedezett dolgok egy része roppant érdekes,
mert kiderült, hogy ők a legnagyobb példányszámú faj a bolygón.
03:22
because this turns out to be the single most abundant species on the planet.
56
202000
5000
Ha úgy vélik, hogy sikeresek vagyunk, vagy hogy a csótányok azok,
03:27
If you think you're successful or cockroaches are successful,
57
207000
3000
03:30
it turns out that there's ten trillion trillion Pleurococcus sitting out there.
58
210000
3000
akkor hirtelen kiderül, hogy sok trilliónyi Pleuroccocus létezik.
03:33
And we didn't know that Pleurococcus was out there,
59
213000
3000
Még a létezésükről sem volt fogalmunk.
Részben ez magyarázza,
03:36
which is part of the reason
60
216000
1000
03:37
why this whole species-mapping project is so important.
61
217000
5000
hogy miért fontos ez az egész faj-feltérképezési projekt.
Mert még csak most kezdjük megtanulni,
03:42
Because we're just beginning to learn
62
222000
2000
hogy honnan jövünk és kik vagyunk.
03:44
where we came from and what we are.
63
224000
1000
Ilyen amőbákat találunk. Ez itt egy amoeba dubia.
03:46
And we're finding amoebas like this. This is the amoeba dubia.
64
226000
3000
Nem tűnik különlegesnek,
03:50
And the amoeba dubia doesn't look like much,
65
230000
2000
03:52
except that each of you has about 3.2 billion letters,
66
232000
3000
kivéve a tényt, hogy míg önöknek 3,2 milliárd betűjük van,
03:55
which is what makes you you,
67
235000
2000
ami azonosítja magukat
03:57
as far as gene code inside each of your cells,
68
237000
3000
– a minden sejtben megtalálható genetikai kóddal –,
addig ennek az amőbának
04:00
and this little amoeba which, you know,
69
240000
3000
amely millió- és milliárdszám él a vízben,
04:03
sits in water in hundreds and millions and billions,
70
243000
2000
620 milliárd bázispárnyi génkódja van.
04:06
turns out to have 620 billion base pairs of gene code inside.
71
246000
6000
04:12
So, this little thingamajig has a genome
72
252000
3000
Tehát ennek az izének
200-szor akkora genomja van, mint önöknek.
04:15
that's 200 times the size of yours.
73
255000
2000
Ha az információ hatékony tárolásának módszerét keressük,
04:18
And if you're thinking of efficient information storage mechanisms,
74
258000
3000
akkor lehet, hogy az nem a csip,
04:22
it may not turn out to be chips.
75
262000
2000
hanem ehhez az amőbához hasonló valami.
04:25
It may turn out to be something that looks a little like that amoeba.
76
265000
4000
És ismét tanulunk az élettől és a működéséről.
04:29
And, again, we're learning from life and how life works.
77
269000
4000
Elég egyszerű dolog, hogy az emberek nem hitték,
04:33
This funky little thing: people didn't used to think
78
273000
4000
hogy érdemes mintát venni az atomreaktorokból,
04:37
that it was worth taking samples out of nuclear reactors
79
277000
3000
mert veszélyes és természetesen ott nem él meg semmi.
04:40
because it was dangerous and, of course, nothing lived there.
80
280000
3000
De végül valaki mikroszkóppal
04:43
And then finally somebody picked up a microscope
81
283000
3000
megvizsgálta a reaktormag körüli vizet,
04:46
and looked at the water that was sitting next to the cores.
82
286000
3000
és benne ott találta a hátán úszó
04:49
And sitting next to that water in the cores
83
289000
2000
kis Deinoccocus radioduranst.
04:51
was this little Deinococcus radiodurans, doing a backstroke,
84
291000
3000
Kromoszómái naponta törtek darabokra,
04:54
having its chromosomes blown apart every day,
85
294000
2000
hatszor, hétszer, de ő újra összeragasztotta,
04:56
six, seven times, restitching them,
86
296000
3000
az emberre halálos sugárzás 200-szorosának kitéve.
04:59
living in about 200 times the radiation that would kill you.
87
299000
2000
Mára van egy halvány sejtésünk, hogy milyen sokoldalú,
05:02
And by now you should be getting a hint as to how diverse
88
302000
3000
fontos és érdekes ez az utazásunk,
05:05
and how important and how interesting this journey into life is,
89
305000
2000
05:07
and how many different life forms there are,
90
307000
3000
mennyire sokféle életforma létezik,
és hogy tudnak élni különböző életformák
05:10
and how there can be different life forms living in
91
310000
3000
nagyon változatos helyeken, akár bolygónkon kívül is.
05:13
very different places, maybe even outside of this planet.
92
313000
3000
Mert ha lehet élni ekkora sugárzásban,
05:17
Because if you can live in radiation that looks like this,
93
317000
2000
akkor az egy sor érdekes kérdést vet fel.
05:19
that brings up a whole series of interesting questions.
94
319000
3000
Ez a kis izé, amiről azt sem tudtuk, hogy létezik,
05:23
This little thingamajig: we didn't know this thingamajig existed.
95
323000
3000
de amiről tudnunk kellett volna, hogy él,
05:27
We should have known that this existed
96
327000
2000
mert az egyetlen szabad szemmel látható baktérium
05:29
because this is the only bacteria that you can see to the naked eye.
97
329000
3000
és 0,75 mm hosszú.
05:32
So, this thing is 0.75 millimeters.
98
332000
3000
Namíbia partjainál él egy óceánárokban.
05:35
It lives in a deep trench off the coast of Namibia.
99
335000
2000
Amit látnak, az egy namibiensis,
05:38
And what you're looking at with this namibiensis
100
338000
2000
a valaha látott legnagyobb baktérium.
05:40
is the biggest bacteria we've ever seen.
101
340000
2000
05:42
So, it's about the size of a little period on a sentence.
102
342000
3000
Majdnem egy mondatvégi pont méretű.
Ismétlem, 3 éve még azt sem tudtuk, hogy létezik.
05:46
Again, we didn't know this thing was there three years ago.
103
346000
4000
Még csak most kezdtük meg felfedező utunkat az új állatkertben.
05:50
We're just beginning this journey of life in the new zoo.
104
350000
3000
Ez egy nagyon fura lény: a Ferroplasma.
05:54
This is a really odd one. This is Ferroplasma.
105
354000
3000
Az érdekessége, hogy vasat eszik,
05:58
The reason why Ferroplasma is interesting is because it eats iron,
106
358000
3000
az akkumulátorsavval megegyező valami belsejében lakozik,
06:02
lives inside the equivalent of battery acid,
107
362000
3000
és kénsavat választ ki.
06:06
and excretes sulfuric acid.
108
366000
2000
Tehát mikor a fura élővilágra gondolnak,
06:10
So, when you think of odd life forms,
109
370000
2000
amikor arra gondolnak, hogy mi kell az élethez,
06:12
when you think of what it takes to live,
110
372000
3000
úgy tűnik, hogy ez hatékony életforma,
06:16
it turns out this is a very efficient life form,
111
376000
2000
amit archaea-nak hívnak. Az archaea ősit jelent.
06:18
and they call it an archaea. Archaea means "the ancient ones."
112
378000
4000
Azért ősiek, mert akkor is léteztek már,
06:22
And the reason why they're ancient is because this thing came up
113
382000
4000
mikor a bolygót beborította a kénsav,
06:26
when this planet was covered
114
386000
2000
ami az akkumulátorokban is van,
06:28
by things like sulfuric acid in batteries,
115
388000
1000
06:29
and it was eating iron when the earth was part of a melted core.
116
389000
4000
és vasat fogyasztott, mikor a föld részben olvadt mag volt.
06:34
So, it's not just dogs and cats and whales and dolphins
117
394000
4000
Nem csak a kutyák, macskák bálnák és delfinek,
amikre tudatosan kell odafigyeljünk a kis körutazásunkon.
06:38
that you should be aware of and interested in on this little journey.
118
398000
4000
Azért kellene félniük,
06:42
Your fear should be that you are not,
119
402000
3000
mert mulandó dolgokra figyelnek.
06:45
that you're paying attention to stuff which is temporal.
120
405000
3000
Például George Bush eltűnik egyszer, nem? De az élet nem.
06:48
I mean, George Bush -- he's going to be gone, alright? Life isn't.
121
408000
5000
Akár fennmarad az emberiség, akár nem,
06:54
Whether the humans survive or don't survive,
122
414000
3000
ezek a dolgok itt vagy más bolygókon élni fognak.
06:57
these things are going to be living on this planet or other planets.
123
417000
3000
Az a tény, hogy alig kezdtük megérteni a DNS-kódot,
07:00
And it's just beginning to understand this code of DNA
124
420000
4000
07:04
that's really the most exciting intellectual adventure
125
424000
3000
a legizgalmasabb szellemi kaland,
amiben valaha részt vettünk.
07:07
that we've ever been on.
126
427000
3000
Érdekes dolgokat lehet ezzel kezdeni. Ez egy gaur-boci.
07:10
And you can do strange things with this stuff. This is a baby gaur.
127
430000
4000
Egy természetvédő csoport elhatározta,
07:14
Conservation group gets together,
128
434000
2000
07:16
tries to figure out how to breed an animal that's almost extinct.
129
436000
4000
hogy kitalálja a kihalás szélén álló faj szaporítását.
Ez nem megy természetes úton,
07:21
They can't do it naturally, so what they do with this thing is
130
441000
3000
ezért kanállal sejtmintát vesznek egy felnőtt gaurbika szájából, kódolják,
07:24
they take a spoon, take some cells out of an adult gaur's mouth, code,
131
444000
5000
07:30
take the cells from that and insert it into a fertilized cow's egg,
132
450000
4000
a sejteket megtermékenyített tehén-petesejtbe juttatják be,
07:35
reprogram cow's egg -- different gene code.
133
455000
3000
eltérő genetikai kóddal újraprogramozzák a petesejtet.
07:39
When you do that, the cow gives birth to a gaur.
134
459000
4000
Ettől a tehén gaur-bocit ellik.
07:44
We are now experimenting with bongos, pandas, elands, Sumatran tigers,
135
464000
6000
Így kísérletezünk a bongóval, pandával, jávorantiloppal, szumátrai tigrissel.
07:50
and the Australians -- bless their hearts --
136
470000
3000
Hálaistennek az ausztrálok
ilyen dolgokkal játszanak.
07:53
are playing with these things.
137
473000
1000
07:54
Now, the last of these things died in September 1936.
138
474000
4000
Az utolsó példányok 1936. szeptemberben haltak ki.
Ezek erszényesfarkasok; az utolsó a Hobart Állatkertben pusztult el.
07:58
These are Tasmanian tigers. The last known one died at the Hobart Zoo.
139
478000
4000
08:02
But it turns out that as we learn more about gene code
140
482000
3000
Ahogy többet tudunk meg a génkódokról,
08:05
and how to reprogram species,
141
485000
2000
a fajok újraprogramozásáról,
08:07
we may be able to close the gene gaps in deteriorate DNA.
142
487000
5000
képessé válhatunk kijavítani a génhibákat a sérült DNS-ben.
08:12
And when we learn how to close the gene gaps,
143
492000
3000
Ha megtanuljuk lezárni a génhézagokat,
akkor sikerül egy egész DNS-szálat összeállítani,
08:15
then we can put a full string of DNA together.
144
495000
2000
és ha ezt megtermékenyített farkas-petesejtbe ültetjük be,
08:18
And if we do that, and insert this into a fertilized wolf's egg,
145
498000
4000
akkor olyan állat születhet,
08:23
we may give birth to an animal
146
503000
2000
ami 1936 óta nem élt a földön.
08:25
that hasn't walked the earth since 1936.
147
505000
2000
08:28
And then you can start going back further,
148
508000
2000
Aztán visszamehetünk még régebbre,
08:30
and you can start thinking about dodos,
149
510000
2000
és a dodógalambokkal is foglalkozhatunk,
vagy akár más fajokkal.
08:33
and you can think about other species.
150
513000
1000
08:35
And in other places, like Maryland, they're trying to figure out
151
515000
3000
Máshol, pl. Marylandban,
az emberek arra próbálnak rájönni, mi volt az első ősünk.
08:38
what the primordial ancestor is.
152
518000
2000
Mindannyiunkban benne van az egész genetikai kódja annak,
08:40
Because each of us contains our entire gene code
153
520000
3000
amik az utóbbi milliárd évben voltunk,
08:43
of where we've been for the past billion years,
154
523000
3000
mert az ősünkből fejlődtünk ki azóta.
08:46
because we've evolved from that stuff,
155
526000
2000
Fejtsük vissza ezt a családfát,
08:48
you can take that tree of life and collapse it back,
156
528000
2000
közben megtanuljuk újraprogramozni,
08:50
and in the measure that you learn to reprogram,
157
530000
3000
és lehet, hogy megszületik valami,
08:53
maybe we'll give birth to something
158
533000
2000
ami nagyon hasonlít az ősforráshoz.
08:55
that is very close to the first primordial ooze.
159
535000
2000
Minden ilyen dolgokból származik.
08:57
And it's all coming out of things that look like this.
160
537000
2000
Ezek a cégek öt éve még nem léteztek.
08:59
These are companies that didn't exist five years ago.
161
539000
2000
Stadion méretű génszekvenáló óriáscégek.
09:01
Huge gene sequencing facilities the size of football fields.
162
541000
4000
Pár állami vállalat, pár magáncég.
09:05
Some are public. Some are private.
163
545000
2000
09:07
It takes about 5 billion dollars to sequence a human being the first time.
164
547000
3000
Kb. ötmilliárd dollárba került az ember első génszekvenálása,
de másodjára csak hárommillióba.
09:11
Takes about 3 million dollars the second time.
165
551000
2000
5–8 éven belül 1000 dollárba fog kerülni egy genom.
09:13
We will have a 1,000-dollar genome within the next five to eight years.
166
553000
4000
Ezért mindenkinek lesz egy CD-je a teljes genetikai kódjával.
09:17
That means each of you will contain on a CD your entire gene code.
167
557000
4000
És nagyon unalmas lesz. Így néz ki.
09:22
And it will be really boring. It will read like this.
168
562000
2000
(Nevetés)
09:25
(Laughter)
169
565000
2000
Ebben az az igazán érdekes, hogy ez az élet,
09:27
The really neat thing about this stuff is that's life.
170
567000
2000
Laurie is beszél majd erről egy keveset.
09:29
And Laurie's going to talk about this one a little bit.
171
569000
3000
Mert ha történetesen ezt találod a testedben,
09:32
Because if you happen to find this one inside your body,
172
572000
2000
akkor bajban vagy, mert ez az Ebola kódja.
09:34
you're in big trouble, because that's the source code for Ebola.
173
574000
2000
Ez az egyik legveszélyesebb ismert betegség.
09:38
That's one of the deadliest diseases known to humans.
174
578000
2000
De a növények, a rovarok is ugyanúgy működnek,
09:40
But plants work the same way and insects work the same way,
175
580000
2000
09:42
and this apple works the same way.
176
582000
2000
és ez az alma is.
Ez az alma azonos ezzel a hajlékonylemezzel,
09:44
This apple is the same thing as this floppy disk.
177
584000
2000
mert ez 1-sel és 0-val kódol,
09:46
Because this thing codes ones and zeros,
178
586000
2000
míg ez a másik A,T, C és G-vel kódol ott fent a fán,
09:48
and this thing codes A, T, C, Gs, and it sits up there,
179
588000
2000
szívja magába az energiát, és egy napon lesz annyi energiája,
09:50
absorbing energy on a tree, and one fine day
180
590000
3000
09:53
it has enough energy to say, execute, and it goes [thump]. Right?
181
593000
4000
hogy azt mondja: kész, és puff, lepottyan, ugye?
(Nevetés)
09:57
(Laughter)
182
597000
3000
És mikor ezt megteszi, akkor végrehajtja az EXE fájlt,
10:00
And when it does that, pushes a .EXE, what it does is,
183
600000
4000
amiben az első kódsor így hangzik:
10:04
it executes the first line of code, which reads just like that,
184
604000
3000
AATCAGGGACCC, azt jelenti gyökerezz.
10:07
AATCAGGGACCC, and that means: make a root.
185
607000
3000
Következő sor: szökellj szárba.
10:10
Next line of code: make a stem.
186
610000
2000
A következő sor TACGGGG: virágozz, legyen fehér,
10:12
Next line of code, TACGGGG: make a flower that's white,
187
612000
3000
tavasszal nyíljon, és legyen ilyen illata.
10:15
that blooms in the spring, that smells like this.
188
615000
3000
Amennyiben megvan a kód
10:18
In the measure that you have the code
189
618000
2000
és a kiolvasási szabály;
10:20
and the measure that you read it --
190
620000
3000
az első növényt két éve olvasták,
10:23
and, by the way, the first plant was read two years ago;
191
623000
2000
az első embert két éve olvasták,
10:25
the first human was read two years ago;
192
625000
2000
az első rovart két éve olvasták.
10:27
the first insect was read two years ago.
193
627000
2000
Az első olvasás 1995-ben történt,
10:29
The first thing that we ever read was in 1995:
194
629000
3000
egy kis Haemophilus influenzabaktériumon.
10:32
a little bacteria called Haemophilus influenzae.
195
632000
2000
Amennyiben megvan a forráskód, mind tudjuk,
10:35
In the measure that you have the source code, as all of you know,
196
635000
3000
hogy megváltoztatható és újraprogramozható,
10:38
you can change the source code, and you can reprogram life forms
197
638000
2000
hogy ez a kis valami oltás legyen,
10:40
so that this little thingy becomes a vaccine,
198
640000
2000
vagy a kis valami bioanyagokat termeljen.
10:42
or this little thingy starts producing biomaterials,
199
642000
3000
Ez az oka annak, hogy a DuPont új poliésztert alakított ki,
10:45
which is why DuPont is now growing a form of polyester
200
645000
3000
ami olyan, mint a haj a kukoricacsövön.
10:48
that feels like silk in corn.
201
648000
2000
Ez minden szabályt megváltoztat. Ez az élet, de újraprogramozzuk.
10:51
This changes all rules. This is life, but we're reprogramming it.
202
651000
5000
Így néznek ki önök. Ez egy kromoszómájuk.
10:58
This is what you look like. This is one of your chromosomes.
203
658000
4000
Annyit tehetnek, hogy kifejthetik,
11:02
And what you can do now is,
204
662000
2000
pontosan melyik az önök kromoszómája,
11:04
you can outlay exactly what your chromosome is,
205
664000
3000
és milyen génkód van rajta pont itt,
11:07
and what the gene code on that chromosome is right here,
206
667000
3000
és mit kódolnak, milyen állat ellen vannak kódolva,
11:10
and what those genes code for, and what animals they code against,
207
670000
3000
és utána publikálhatják a szakirodalomba.
11:13
and then you can tie it to the literature.
208
673000
2000
Hogy ezt meg tudják tenni,
11:15
And in the measure that you can do that, you can go home today,
209
675000
3000
otthon belépnek az internetre,
11:18
and get on the Internet, and access
210
678000
2000
és hozzáférnek a világ legnagyobb közkönyvtárához: az élet könyvtárához.
11:20
the world's biggest public library, which is a library of life.
211
680000
3000
11:24
And you can do some pretty strange things
212
684000
2000
Érdekes dolgokat művelhetnek,
11:26
because in the same way as you can reprogram this apple,
213
686000
2000
mert ahogy az almát újraprogramozhatják,
úgy Cliff Tabin a laborjában a Harvard Orvosi Karán
11:29
if you go to Cliff Tabin's lab at the Harvard Medical School,
214
689000
2000
csirkeembriókat programoz át, hogy több szárnyat növesszenek.
11:32
he's reprogramming chicken embryos to grow more wings.
215
692000
4000
Miért teszi ezt Ciff? Nincs is vendéglője.
11:38
Why would Cliff be doing that? He doesn't have a restaurant.
216
698000
3000
(Nevetés)
11:41
(Laughter)
217
701000
1000
Az ok, amiért újraprogramozza a csibét, a következő:
11:43
The reason why he's reprogramming that animal to have more wings
218
703000
3000
gyerekkorunkban, ha gyíkkal játszottunk,
11:46
is because when you used to play with lizards as a little child,
219
706000
3000
néha leesett a farka, de idővel visszanőtt.
11:49
and you picked up the lizard, sometimes the tail fell off, but it regrew.
220
709000
4000
Nem így történik az emberekkel,
11:53
Not so in human beings:
221
713000
3000
egy levágott láb vagy kar nem nő vissza.
11:56
you cut off an arm, you cut off a leg -- it doesn't regrow.
222
716000
3000
11:59
But because each of your cells contains your entire gene code,
223
719000
4000
De mivel minden sejtben benne van az egész génkód,
minden sejt újraprogramozható, és ha nem állítjuk meg az őssejtkutatást,
12:04
each cell can be reprogrammed, if we don't stop stem cell research
224
724000
4000
és nem szakítjuk meg a génkísérleteket,
12:08
and if we don't stop genomic research,
225
728000
2000
akkor különböző testfunkciókat is kifejezhetnek.
12:10
to express different body functions.
226
730000
3000
Miközben megtanuljuk, hogyan növesszünk a csirkének több szárnyat,
12:14
And in the measure that we learn how chickens grow wings,
227
734000
3000
és melyik az a program, ami differenciálja a sejteket,
12:17
and what the program is for those cells to differentiate,
228
737000
2000
12:19
one of the things we're going to be able to do
229
739000
3000
akkor megtanuljuk többek között,
12:22
is to stop undifferentiated cells, which you know as cancer,
230
742000
3000
hogy állítsuk meg a differenciálatlan sejtszaporodást, ami a rák,
és amit még megtanulunk,
12:26
and one of the things we're going to learn how to do
231
746000
2000
hogyan programozzunk újra sejteket, mint például az őssejteket,
12:28
is how to reprogram cells like stem cells
232
748000
3000
12:31
in such a way that they express bone, stomach, skin, pancreas.
233
751000
6000
hogy csont, gyomor, bőr, hasnyálmirigy alakuljon ki belőlük.
Valószínű, hogy önöknek – vagy a gyerekeiknek –
12:38
And you are likely to be wandering around -- and your children --
234
758000
3000
rövid időn belül lesz újranövesztett testrésze,
12:41
on regrown body parts in a reasonable period of time,
235
761000
3000
12:45
in some places in the world where they don't stop the research.
236
765000
3000
olyan részein a világnak, ahol a kutatást nem állítják le.
12:50
How's this stuff work? If each of you differs
237
770000
5000
Hogy működik ez a dolog?
Ha önök 1:1000 arányban, de csak 3% kódban különböznek a mellettük ülőtől,
12:55
from the person next to you by one in a thousand, but only three percent codes,
238
775000
3000
ami azt jelenti, hogy 1:1000 x 3%,
12:58
which means it's only one in a thousand times three percent,
239
778000
2000
ugyan nagyon kis változtatás a kifejeződésben és az írásjelekben,
13:00
very small differences in expression and punctuation
240
780000
3000
13:03
can make a significant difference. Take a simple declarative sentence.
241
783000
3000
de valójában nagy különbséget jelent. Vegyünk egy kijelentést:
13:08
(Laughter)
242
788000
2000
[Egy nő a férfi nélkül senki] (Nevetés)
13:10
Right?
243
790000
1000
Nem?
13:11
That's perfectly clear. So, men read that sentence,
244
791000
4000
Világos? És ezt a kijelentést férfiak is olvassák,
13:15
and they look at that sentence, and they read this.
245
795000
2000
ránéznek és ezt látják:
[Egy nő a férfi nélkül senki] Így van?
Most a nők néznek rá a kijelentésre. Téves – mondják.
13:23
Okay?
246
803000
1000
13:24
Now, women look at that sentence and they say, uh-uh, wrong.
247
804000
4000
13:28
This is the way it should be seen.
248
808000
2000
Így kell olvasni: [Egy nő: a férfi nélküle senki]
13:32
(Laughter)
249
812000
8000
(Nevetés)
Ezt teszik a génjeik.
13:40
That's what your genes are doing.
250
820000
1000
13:41
That's why you differ from this person over here by one in a thousand.
251
821000
5000
Ezért különböznek a másiktól 1:1000 arányban.
Igaz? Igazán jól néz ki...
13:46
Right? But, you know, he's reasonably good looking, but...
252
826000
3000
13:49
I won't go there.
253
829000
2000
de nem megyek oda.
Ugyanezt központozás nélkül is megtehetjük.
13:52
You can do this stuff even without changing the punctuation.
254
832000
3000
Látják, ugye?
13:56
You can look at this, right?
255
836000
4000
Máris kicsit másként látják a világot.
14:00
And they look at the world a little differently.
256
840000
2000
Ugyanazt nézve mást látnak.
14:02
They look at the same world and they say...
257
842000
2000
14:04
(Laughter)
258
844000
6000
(Nevetés)
14:10
That's how the same gene code -- that's why you have 30,000 genes,
259
850000
4000
Így teszi ugyanaz a génkód, ezért van önöknek 30 000 génjük,
az egereknek 30 000, férjeknek 30 000.
14:14
mice have 30,000 genes, husbands have 30,000 genes.
260
854000
3000
Az egerek és a férfiak hasonlóak. A feleségük tudják ezt, na jó.
14:17
Mice and men are the same. Wives know that, but anyway.
261
857000
3000
Lehet csak kicsit változtatni a génkódon,
14:21
You can make very small changes in gene code
262
861000
2000
14:23
and get really different outcomes,
263
863000
2000
de azzal nagy változásokat elérni.
Akár ugyanazzal a betűsorral. [Menjünk együtt / Vigyük őt.]
14:27
even with the same string of letters.
264
867000
2000
14:31
That's what your genes are doing every day.
265
871000
2000
A génjeik ezt teszik naponta.
Ezért a géneknek nem kell sokat változniuk
14:34
That's why sometimes a person's genes
266
874000
2000
14:36
don't have to change a lot to get cancer.
267
876000
2000
a rák kialakulásához.
14:42
These little chippies, these things are the size of a credit card.
268
882000
4000
Ezek a csipek hitelkártya méretűek.
Képesek bárkit 60 000 genetikai betegség szerint tesztelni.
14:47
They will test any one of you for 60,000 genetic conditions.
269
887000
2000
Itt persze felmerülnek adatvédelmi, biztosíthatósági és egyéb kérdések,
14:50
That brings up questions of privacy and insurability
270
890000
3000
14:53
and all kinds of stuff, but it also allows us to start going after diseases,
271
893000
2000
de lehetővé teszi a gyógyítást,
mert ha egy leukémiást tesztelünk,
14:56
because if you run a person who has leukemia through something like this,
272
896000
3000
úgy tűnik, hogy három betegség
15:00
it turns out that three diseases with
273
900000
2000
teljesen hasonló tünetegyütessel
15:02
completely similar clinical syndromes
274
902000
4000
egészen más betegség valójában.
15:06
are completely different diseases.
275
906000
2000
Mert az ALL leukémiában az a felső génkészlet van túlzottan kifejeződve,
15:08
Because in ALL leukemia, that set of genes over there over-expresses.
276
908000
3000
míg az MLL-ben a középső,
15:11
In MLL, it's the middle set of genes,
277
911000
2000
az AML-nél pedig az alsó.
15:13
and in AML, it's the bottom set of genes.
278
913000
2000
15:15
And if one of those particular things is expressing in your body,
279
915000
5000
Ha ezek közül valamelyik kifejeződik a testben,
szedjenek Gleevecet és meggyógyultak.
15:20
then you take Gleevec and you're cured.
280
920000
2000
15:23
If it is not expressing in your body,
281
923000
2000
Ha nem fejeződik ki
valamelyik típus a testükben,
15:25
if you don't have one of those types --
282
925000
2000
ne szedjenek Gleevecet.
15:27
a particular one of those types -- don't take Gleevec.
283
927000
3000
Nem segítene önökön.
15:30
It won't do anything for you.
284
930000
1000
Ugyanez igaz az emlőráknál a Receptinre.
15:32
Same thing with Receptin if you've got breast cancer.
285
932000
2000
15:35
Don't have an HER-2 receptor? Don't take Receptin.
286
935000
3000
Nincs HER-2 receptoruk? Ne szedjenek Receptint.
Megváltoztatja az orvoslás természetét és a kilátásokat.
15:38
Changes the nature of medicine. Changes the predictions of medicine.
287
938000
4000
Az orvoslás módját.
15:42
Changes the way medicine works.
288
942000
2000
Mikor a legtöbben főiskolára kerültünk,
15:44
The greatest repository of knowledge when most of us went to college
289
944000
3000
15:47
was this thing, and it turns out that
290
947000
2000
a nagy tudás tárhelye ez volt.
15:49
this is not so important any more.
291
949000
2000
Úgy tűnik, ez már nem annyira fontos.
Az USA Kongresszusi Könyvtár kinyomtatott adatmennyisége
15:51
The U.S. Library of Congress, in terms of its printed volume of data,
292
951000
4000
összességében kisebb,
15:55
contains less data than is coming out of a good genomics company
293
955000
4000
mint egy jó genetikai cég havi adatállománya.
15:59
every month on a compound basis.
294
959000
3000
Megismétlem: egyetlen genetikai cég
16:02
Let me say that again: A single genomics company
295
962000
3000
több adatot generál havonta,
16:05
generates more data in a month, on a compound basis,
296
965000
3000
mint a Kongresszusi Könyvtár kinyomtatott gyűjteménye.
16:08
than is in the printed collections of the Library of Congress.
297
968000
3000
16:12
This is what's been powering the U.S. economy. It's Moore's Law.
298
972000
4000
Ez élteti az USA gazdaságát. Ez a Moore-törvény.
Mindenki tudja, hogy a számítógépek ára 18 havonta feleződik,
16:16
So, all of you know that the price of computers halves every 18 months
299
976000
5000
kapacitásuk pedig duplázódik, ugye?
16:21
and the power doubles, right?
300
981000
2000
Kivéve, amikor figyelembe vesszük ezzel párhuzamosan
16:23
Except that when you lay that side by side with the speed
301
983000
4000
a GenBankban tárolt genetikai adatok növekedési sebességét,
16:27
with which gene data's being deposited in GenBank,
302
987000
3000
mert akkor a Moore-törvény: ez a kék vonal.
16:30
Moore's Law is right here: it's the blue line.
303
990000
4000
16:35
This is on a log scale, and that's what superexponential growth means.
304
995000
4000
Ez logaritmikus skála, és ez tetrációs növekedés.
Ez megköveteli
16:39
This is going to push computers to have to grow faster
305
999000
4000
a számítógépek még gyorsabb növekedését,
16:43
than they've been growing, because so far,
306
1003000
2000
mert eddig nem volt alkalmazás,
16:45
there haven't been applications that have been required
307
1005000
3000
ami a Moore-törvénynél gyorsabb növekedést igényelt. Most van.
16:48
that need to go faster than Moore's Law. This stuff does.
308
1008000
3000
Itt egy érdekes térkép,
16:51
And here's an interesting map.
309
1011000
2000
16:53
This is a map which was finished at the Harvard Business School.
310
1013000
4000
a Harvard Üzleti Iskolájában készítették.
Az a legérdekesebb kérdés: ha minden adat ingyenes,
16:57
One of the really interesting questions is, if all this data's free,
311
1017000
3000
akkor ki használja őket? Ez a legnagyobb nyilvános adatbázis.
17:00
who's using it? This is the greatest public library in the world.
312
1020000
4000
Nos, azt látjuk, hogy 27 billió bit
17:04
Well, it turns out that there's about 27 trillion bits
313
1024000
3000
az USA-n belül mozog.
17:07
moving inside from the United States to the United States;
314
1027000
3000
17:10
about 4.6 trillion is going over to those European countries;
315
1030000
4000
4,6 billió európai országok felé.
kb. 5,5 billió Japán felé; alig van kommunikáció Japánon belül,
17:14
about 5.5's going to Japan; there's almost no communication
316
1034000
3000
17:17
between Japan, and nobody else is literate in this stuff.
317
1037000
4000
és senki más nem olvassa.
Ingyenes, de senki nem olvassa.
17:21
It's free. No one's reading it. They're focusing on the war;
318
1041000
5000
A háborúra figyelnek, Bushra. Nem érdekli őket az élet.
17:26
they're focusing on Bush; they're not interested in life.
319
1046000
2000
Így néz ki az új világtérkép.
17:29
So, this is what a new map of the world looks like.
320
1049000
2000
17:32
That is the genomically literate world. And that is a problem.
321
1052000
6000
Ez a genomikában jártas világ. És ez probléma.
Valójában nincs genomikában jártas világ.
17:38
In fact, it's not a genomically literate world.
322
1058000
2000
Államonként is vizsgálhatjuk.
17:40
You can break this out by states.
323
1060000
2000
Látható, hogyan fejlődik vagy hanyatlik egy-egy állam
17:42
And you can watch states rise and fall depending on
324
1062000
2000
17:44
their ability to speak a language of life,
325
1064000
2000
az élet nyelvének ismeretében.
Látszik, ahogy New York lecsúszik,
17:46
and you can watch New York fall off a cliff,
326
1066000
2000
New Jersey szintén lecsúszik,
17:48
and you can watch New Jersey fall off a cliff,
327
1068000
2000
és új tudásbirodalmak nőnek ki.
17:50
and you can watch the rise of the new empires of intelligence.
328
1070000
3000
17:54
And you can break it out by counties, because it's specific counties.
329
1074000
3000
Megyékre is lebonthatóak, mert vannak egyedi megyék.
17:57
And if you want to get more specific,
330
1077000
2000
Még konkrétabban:
irányítószámok szerint.
17:59
it's actually specific zip codes.
331
1079000
2000
(Nevetés)
18:01
(Laughter)
332
1081000
2000
18:03
So, you want to know where life is happening?
333
1083000
3000
Tudják, hol az élet helye?
Dél-Kaliforniában, a 92121-ben. Ez az.
18:06
Well, in Southern California it's happening in 92121. And that's it.
334
1086000
5000
Ez a Salk, Scripps, UCSD háromszög,
18:12
And that's the triangle between Salk, Scripps, UCSD,
335
1092000
5000
Torrey Pines útnak nevezik.
18:17
and it's called Torrey Pines Road.
336
1097000
2000
Nem kell a sikerhez nagy nemzetnek lenni.
18:19
That means you don't need to be a big nation to be successful;
337
1099000
3000
Nem sokaság kell a sikerhez.
18:22
it means you don't need a lot of people to be successful;
338
1102000
2000
Ez azt jelenti, hogy az ország vagyonának nagy része
18:24
and it means you can move most of the wealth of a country
339
1104000
3000
3–4 jól megválasztott 747-es repülőn elfér.
18:27
in about three or four carefully picked 747s.
340
1107000
3000
18:31
Same thing in Massachusetts. Looks more spread out but --
341
1111000
4000
Ugyanígy Massachusettsben. Szórtabbnak tűnik, de…
Apropó, az azonos színűek szomszédosak.
18:35
oh, by the way, the ones that are the same color are contiguous.
342
1115000
3000
18:39
What's the net effect of this?
343
1119000
2000
Mi ennek a nettó következménye?
Agrártársadalomban a különbség
18:41
In an agricultural society, the difference between
344
1121000
2000
a leggazdagabb és a legszegényebb,
18:43
the richest and the poorest,
345
1123000
1000
a leghatékonyabb és a legkevésbé hatékony termelő között ötszörös. Miért?
18:45
the most productive and the least productive, was five to one. Why?
346
1125000
4000
Mert a mezőgazdaságban akinek volt 10 gyereke,
18:49
Because in agriculture, if you had 10 kids
347
1129000
2000
korábban kelt kicsit, keményebben dolgozott,
18:51
and you grow up a little bit earlier and you work a little bit harder,
348
1131000
3000
átlagban ötször nagyobb vagyont tudott szerezni,
18:54
you could produce about five times more wealth, on average,
349
1134000
2000
mint a szomszédja.
18:56
than your neighbor.
350
1136000
1000
Egy tudásalapú társadalomban ez a szám 427:1.
18:58
In a knowledge society, that number is now 427 to 1.
351
1138000
3000
19:02
It really matters if you're literate, not just in reading and writing
352
1142000
4000
Tanultnak nem az számít,
aki angolul, franciául, németül ír-olvas,
19:06
in English and French and German,
353
1146000
2000
hanem ismeri a Microsoftot, Linuxot, Apple-t.
19:08
but in Microsoft and Linux and Apple.
354
1148000
2000
Hamarosan az lesz a fontos, hogy az élet kódjában ki jártas.
19:11
And very soon it's going to matter if you're literate in life code.
355
1151000
4000
Attól kell félnünk,
19:15
So, if there is something you should fear,
356
1155000
2000
hogy nem arra figyelünk, amire kell.
19:17
it's that you're not keeping your eye on the ball.
357
1157000
3000
Mert az a fontos, hogy ki beszél életül.
19:20
Because it really matters who speaks life.
358
1160000
2000
Ettől virágoznak vagy hanyatlanak országok.
19:23
That's why nations rise and fall.
359
1163000
2000
19:26
And it turns out that if you went back to the 1870s,
360
1166000
3000
Ha visszatérünk 1870-be,
a Föld legtermékenyebb országa Ausztrália volt, per fő.
19:29
the most productive nation on earth was Australia, per person.
361
1169000
3000
Új-Zéland is magasan állt. Majd az USA feljött 1950 körül,
19:32
And New Zealand was way up there. And then the U.S. came in about 1950,
362
1172000
3000
Svájc 1973 körül, majd beelőzte megint az USA,
19:35
and then Switzerland about 1973, and then the U.S. got back on top --
363
1175000
3000
19:39
beat up their chocolates and cuckoo clocks.
364
1179000
2000
és megverte a csokit és a kakukkos órát.
Persze tudják,
19:43
And today, of course, you all know that the most productive nation
365
1183000
3000
hogy ma a legtermelékenyebb nemzet a Földön Luxemburg,
19:46
on earth is Luxembourg, producing about one third more wealth
366
1186000
3000
1/3-dal többet termelt per fő, per év, mint Amerika.
19:49
per person per year than America.
367
1189000
2000
19:52
Tiny landlocked state. No oil. No diamonds. No natural resources.
368
1192000
4000
Egy kis ország, tengeri kikötő nélkül. Olaj, gyémántok és nyersanyag nélkül.
19:56
Just smart people moving bits. Different rules.
369
1196000
5000
Csak okos emberek, biteket mozgatva. Másfajta szabályok.
20:02
Here's differential productivity rates.
370
1202000
3000
Itt a megkülönböztető termékenység értékelődik.
Itt látszik, hány ember szükséges egy USA-szabadalomhoz.
20:06
Here's how many people it takes to produce a single U.S. patent.
371
1206000
3000
kb. 3 000 amerikai, 6 000 koreai, 14 000 brit, 790 000 argentin.
20:09
So, about 3,000 Americans, 6,000 Koreans, 14,000 Brits,
372
1209000
4000
20:13
790,000 Argentines. You want to know why Argentina's crashing?
373
1213000
3000
Szeretnék tudni, miért hanyatlik Argentina?
20:16
It's got nothing to do with inflation.
374
1216000
2000
Semmi köze ennek az inflációhoz.
20:18
It's got nothing to do with privatization.
375
1218000
2000
Semmi köze a privatizációhoz.
Rábízhatjuk a Harvardon tanult legjobb közgazdászra Argentínát,
20:20
You can take a Harvard-educated Ivy League economist,
376
1220000
4000
20:24
stick him in charge of Argentina. He still crashes the country
377
1224000
3000
csak csődbe fogja juttatni,
mert nem érti, hogy változtak a szabályok.
20:27
because he doesn't understand how the rules have changed.
378
1227000
2000
És, igen, kell kb. 5,6 millió indiai.
20:30
Oh, yeah, and it takes about 5.6 million Indians.
379
1230000
3000
20:33
Well, watch what happens to India.
380
1233000
2000
Nézzük, mi történik Indiával.
India és Kína adta a világgazdaság 40%-át
20:35
India and China used to be 40 percent of the global economy
381
1235000
3000
az ipari forradalom korában, és most 4,8%-on állnak.
20:38
just at the Industrial Revolution, and they are now about 4.8 percent.
382
1238000
5000
Kétmilliárd ember. A Föld lakosságának 1/3-a mindössze 5%-ot termel,
20:43
Two billion people. One third of the global population producing 5 percent of the wealth
383
1243000
4000
20:47
because they didn't get this change,
384
1247000
3000
mert nem értették meg a változást,
mert az embereket továbbra is jobbágyként kezelik,
20:50
because they kept treating their people like serfs
385
1250000
2000
20:52
instead of like shareholders of a common project.
386
1252000
3000
nem pedig egy közös projekt részvényeseiként.
20:56
They didn't keep the people who were educated.
387
1256000
3000
Nem tartották meg a tanult embereket. Nem támogatták a vállalkozásokat.
20:59
They didn't foment the businesses. They didn't do the IPOs.
388
1259000
2000
Nem volt első nyilvános részvénykibocsátás.
21:02
Silicon Valley did. And that's why they say
389
1262000
4000
De a Szilícium-völgy igen.
Ezért mondják, hogy a Szilícium-völgyet IC-k hajtják.
21:06
that Silicon Valley has been powered by ICs.
390
1266000
2000
Nem integrált áramkörök, hanem indiaiak és kínaiak.
21:09
Not integrated circuits: Indians and Chinese.
391
1269000
3000
(Nevetés)
21:12
(Laughter)
392
1272000
4000
21:16
Here's what's happening in the world.
393
1276000
2000
Ez történik a világban.
Ha az ENSZ-be [1945-ben] lépnek be, mikor megalakult,
21:18
It turns out that if you'd gone to the U.N. in 1950,
394
1278000
3000
kb. 50 tagállama volt.
21:21
when it was founded, there were 50 countries in this world.
395
1281000
2000
Ma ez a szám kb. 192.
21:23
It turns out there's now about 192.
396
1283000
3000
Ország ország után szétválik, kiszakad, prosperál, hanyatlik,
21:26
Country after country is splitting, seceding, succeeding, failing --
397
1286000
4000
21:31
and it's all getting very fragmented. And this has not stopped.
398
1291000
5000
minden széttöredezik. És még nem ért véget.
A 90-es években létrejött szuverén államok
21:36
In the 1990s, these are sovereign states
399
1296000
3000
1990 előtt nem léteztek.
21:39
that did not exist before 1990.
400
1299000
2000
Ez nem tartalmazza a fúziókat vagy névváltozást vagy zászlócseréket.
21:41
And this doesn't include fusions or name changes or changes in flags.
401
1301000
5000
Évente 3,12 állam alakul.
21:46
We're generating about 3.12 states per year.
402
1306000
3000
A népek kezükbe veszik országuk sorsát,
21:49
People are taking control of their own states,
403
1309000
3000
néha jól, néha rosszul.
21:52
sometimes for the better and sometimes for the worse.
404
1312000
3000
Ami igazán érdekes,
21:55
And the really interesting thing is,
405
1315000
2000
hogy önök és a gyerekeik képesek birodalmakat építeni,
21:57
you and your kids are empowered to build great empires,
406
1317000
2000
21:59
and you don't need a lot to do it.
407
1319000
2000
és ez nem áll sokból.
(Zene)
22:01
(Music)
408
1321000
2000
22:03
And, given that the music is over, I was going to talk
409
1323000
3000
Most véget ér a zene, és arról beszélek,
22:06
about how you can use this to generate a lot of wealth,
410
1326000
3000
hogy lehet ebből meggazdagodni,
és hogy működik a kód.
22:09
and how code works.
411
1329000
2000
(Moderátor): Két perc!
22:11
Moderator: Two minutes.
412
1331000
1000
(Nevetés)
22:12
(Laughter)
413
1332000
2000
22:14
Juan Enriquez: No, I'm going to stop there and we'll do it next year
414
1334000
4000
JE: Megállok itt, a többit majd jövőre,
22:18
because I don't want to take any of Laurie's time.
415
1338000
2000
mert nem szeretném elvenni Laurie idejét.
Nagyon köszönöm!
22:21
But thank you very much.
416
1341000
1000
Erről a weboldalról

Ez az oldal olyan YouTube-videókat mutat be, amelyek hasznosak az angol nyelvtanuláshoz. A világ minden tájáról származó, kiváló tanárok által tartott angol leckéket láthatsz. Az egyes videók oldalán megjelenő angol feliratokra duplán kattintva onnan játszhatja le a videót. A feliratok a videó lejátszásával szinkronban gördülnek. Ha bármilyen észrevétele vagy kérése van, kérjük, lépjen kapcsolatba velünk ezen a kapcsolatfelvételi űrlapon.

https://forms.gle/WvT1wiN1qDtmnspy7