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

70,357 views ・ 2018-09-24

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Nora Suranyi Lektor: Ádám Kósa
00:12
Nine years ago,
0
12785
1704
Kilenc évvel ezelőtt
00:14
my sister discovered lumps in her neck and arm
1
14513
3101
a nővérem csomókat fedezett fel nyakán és karjában.
00:17
and was diagnosed with cancer.
2
17638
1760
A diagnózisból kiderült, hogy rákos.
00:20
From that day, she started to benefit
3
20985
3199
Attól a naptól kezdve hasznára vált az ismeret,
00:24
from the understanding that science has of cancer.
4
24208
3115
amit a tudomány tartott a rákról.
00:28
Every time she went to the doctor,
5
28206
2099
Minden alkalommal az orvos
00:30
they measured specific molecules
6
30329
2194
megmérte azon molekuláknak a számát,
00:32
that gave them information about how she was doing
7
32547
2881
melyek meghatározták az állapotát
00:35
and what to do next.
8
35452
1309
és a következő lépést.
00:38
New medical options became available every few years.
9
38095
3666
Új gyógyászati lehetőségek váltak elérhetővé évről évre.
00:43
Everyone recognized that she was struggling heroically
10
43070
4318
Mindenki látta, hogy hősiesen küzd
00:47
with a biological illness.
11
47412
1728
ezzel a biológiai betegséggel.
00:50
This spring, she received an innovative new medical treatment
12
50847
3657
Tavasszal egy klinikai kísérlet részeként lehetősége volt egy új és innovatív
00:54
in a clinical trial.
13
54528
1202
kezelés kipróbálására.
00:55
It dramatically knocked back her cancer.
14
55754
2224
A kezelésnek hála a tumor visszahúzódott.
00:59
Guess who I'm going to spend this Thanksgiving with?
15
59446
2552
Tippeljenek, kivel fogom tölteni a Hálaadást?
01:02
My vivacious sister,
16
62022
2267
Az életerős testvéremmel,
01:04
who gets more exercise than I do,
17
64313
2629
aki fizikailag aktívabb nálam,
01:06
and who, like perhaps many people in this room,
18
66966
2859
és aki - mint ahogy néhány ember itt ebben a teremben -
01:09
increasingly talks about a lethal illness
19
69849
2292
múlt időben beszél
01:12
in the past tense.
20
72165
1263
egy halálos betegségről.
01:14
Science can, in our lifetimes -- even in a decade --
21
74614
3863
A tudomány, a mi életünkben, akár tíz éven belül átalakíthatja,
01:18
transform what it means to have a specific illness.
22
78501
3207
mit is jelent egy bizonyos betegségben szenvedni.
01:24
But not for all illnesses.
23
84055
1534
De nem mindegyikre igaz ez.
01:27
My friend Robert and I were classmates in graduate school.
24
87375
3722
A barátommal, Roberttel osztálytársak voltunk középiskolába.
01:31
Robert was smart,
25
91121
1801
Robert intelligens volt,
01:32
but with each passing month,
26
92946
1477
de ahogy teltek a hónapok,
01:34
his thinking seemed to become more disorganized.
27
94447
3154
a gondolkodása egyre zavarodottabbá vált.
01:38
He dropped out of school, got a job in a store ...
28
98241
3198
Az iskolát otthagyta, és egy boltban kezdett el dolgozni.
01:41
But that, too, became too complicated.
29
101463
2218
De a munka is bonyolulttá vált.
01:44
Robert became fearful and withdrawn.
30
104559
2945
Robert félőssé és elszigetelté vált.
01:48
A year and a half later, he started hearing voices
31
108281
2381
Másfél évvel később hangokat kezdett hallani,
01:50
and believing that people were following him.
32
110686
2197
és azt képzelte, hogy követik őt.
01:52
Doctors diagnosed him with schizophrenia,
33
112907
2722
Skizofréniával diagnosztizálták,
01:55
and they gave him the best drug they could.
34
115653
2120
és a létező legjobb gyógyszert kapta,
01:57
That drug makes the voices somewhat quieter,
35
117797
3008
ami csendesítette a belső hangokat,
02:00
but it didn't restore his bright mind or his social connectedness.
36
120829
3989
de nem sikerült visszaállítani briliáns elméjét, és javítani társas kapcsolatain.
02:06
Robert struggled to remain connected
37
126270
1856
Robert próbált kapcsolatban maradni
02:08
to the worlds of school and work and friends.
38
128150
2857
az iskola világával, a munkával és barátaival,
02:11
He drifted away,
39
131031
1383
de az élete lassan kisiklott,
02:12
and today I don't know where to find him.
40
132438
2285
ma pedig azt sem tudom, hol keressem.
02:15
If he watches this,
41
135593
1479
Ha most néz,
02:17
I hope he'll find me.
42
137962
1628
remélem felkeres.
02:22
Why does medicine have so much to offer my sister,
43
142639
4107
Miért segített a gyógyszer testvéremnek,
02:27
and so much less to offer millions of people like Robert?
44
147540
4210
de miért nem több millió olyan embernek, mint Robert?
02:32
The need is there.
45
152952
1290
Van rá igény.
02:34
The World Health Organization estimates that brain illnesses
46
154266
3153
A WHO adatai szerint az agy betegségei,
02:37
like schizophrenia, bipolar disorder and major depression
47
157443
4115
mint pl. skizofrénia, bipoláris zavar vagy depresszió,
02:41
are the world's largest cause of lost years of life and work.
48
161582
4971
a legnagyobb mértékben rabolja el az éveket az embertől.
02:47
That's in part because these illnesses often strike early in life,
49
167807
3561
Ugyanis ezek gyakran korán jelentkeznek,
02:51
in many ways, in the prime of life,
50
171392
2181
sokszor a nagybetűs élet kezdetén,
02:53
just as people are finishing their educations, starting careers,
51
173597
4464
a tanulmányok befejezésével a karrierkezdés, a kapcsolatok
02:58
forming relationships and families.
52
178085
2279
és családalapítás idején.
03:00
These illnesses can result in suicide;
53
180388
2829
Ezek a betegségek öngyilkossággal is végződhetnek,
03:03
they often compromise one's ability to work at one's full potential;
54
183907
4567
és akadályozzák a beteget maximális teljesítményének elérésében;
03:09
and they're the cause of so many tragedies harder to measure:
55
189767
3455
emellett okozói megszámlálhatatlan számú tragédiának:
03:13
lost relationships and connections,
56
193246
2438
elveszett kapcsolatok és kötelékek,
03:15
missed opportunities to pursue dreams and ideas.
57
195708
3039
kihagyott lehetőségek az álmok elérésére.
03:19
These illnesses limit human possibilities
58
199533
3005
Ezek a fajta betegségek oly módon korlátoznak minket,
03:22
in ways we simply cannot measure.
59
202562
2154
hogy az mérhetetlen.
03:27
We live in an era in which there's profound medical progress
60
207493
4016
Egy mélyreható orvostudományi fejlődés korában élünk
03:31
on so many other fronts.
61
211533
1811
mindenféle fronton.
03:33
My sister's cancer story is a great example,
62
213368
2547
A testvérem betegségének története nagyszerű példa,
03:35
and we could say the same of heart disease.
63
215939
2062
és így van ez a szívmegbetegedéseknél is.
03:38
Drugs like statins will prevent millions of heart attacks and strokes.
64
218025
3585
Gyógyszerek, mint a statins, milliókat mentenek meg a szívrohamtól.
03:43
When you look at these areas of profound medical progress
65
223047
2945
Amikor ezt a mélyreható fejlődést nézzük az egészségügyben
03:46
in our lifetimes,
66
226016
1464
életünk során,
03:47
they have a narrative in common:
67
227504
1674
narratívájukban közös:
03:50
scientists discovered molecules that matter to an illness,
68
230067
4548
a tudósok a betegségre nézve fontos molekulákat fedeztek fel,
03:54
they developed ways to detect and measure those molecules in the body,
69
234639
4679
és kialakítottak módokat ezen molekulák felismerésére és mérésére,
04:00
and they developed ways to interfere with those molecules
70
240492
2778
valamint azok megállítására
04:03
using other molecules -- medicines.
71
243294
2048
más molekulákkal, azaz gyógyszerekkel.
04:05
It's a strategy that has worked again and again and again.
72
245921
4020
Ez egy stratégia, ami folyamatos sikerrel járt.
04:11
But when it comes to the brain, that strategy has been limited,
73
251403
3642
De az agy esetében az eszközeink korlátozottak,
04:15
because today, we don't know nearly enough, yet,
74
255069
4602
mert még nem tudunk eleget arról,
04:19
about how the brain works.
75
259695
1852
hogyan is működik az agy.
04:22
We need to learn which of our cells matter to each illness,
76
262526
4266
Fel kell ismernünk, mely sejtek játszanak szerepet az egyes betegségeknél,
04:26
and which molecules in those cells matter to each illness.
77
266816
3570
illetve mely molekulái vezetnek a betegség kialakulásához.
04:31
And that's the mission I want to tell you about today.
78
271058
2651
Ez az a küldetés, amiről szeretnék ma beszélni.
04:34
My lab develops technologies with which we try to turn the brain
79
274781
3809
A laboratóriumom technológiákat fejleszt, amivel az agyat megpróbáljuk
04:38
into a big-data problem.
80
278614
1700
adathalmazként kezelni.
04:40
You see, before I became a biologist, I worked in computers and math,
81
280338
3536
Informatikával és számtannal foglalkoztam biológusi pályám előtt,
04:43
and I learned this lesson:
82
283898
1324
és egyet megtanultam:
04:46
wherever you can collect vast amounts of the right kinds of data
83
286365
4184
Ha nagy mennyiségben tudunk használható adatot gyűjteni
04:50
about the functioning of a system,
84
290573
2030
egy adott rendszer működéséről,
04:53
you can use computers in powerful new ways
85
293365
3618
akkor a technológia számos hatékony lehetőséggel szolgál
04:57
to make sense of that system and learn how it works.
86
297007
3225
egy rendszer működésének és mibenlétének megismeréséhez.
05:00
Today, big-data approaches are transforming
87
300256
2522
Ma a nagy mennyiségű adathoz való viszonyulás
05:02
ever-larger sectors of our economy,
88
302802
2483
átalakítja szélesebb ágazatait a gazdaságnak,
05:05
and they could do the same in biology and medicine, too.
89
305309
3286
és ugyanez lehetséges a biológia és a gyógyászat területén.
05:08
But you have to have the right kinds of data.
90
308619
2557
Ehhez megfelelő adatok kellenek.
05:11
You have to have data about the right things.
91
311200
2259
Megfelelő adatok megfelelő dolgokról.
05:13
And that often requires new technologies and ideas.
92
313917
3865
Ez pedig gyakran igényel új technológiákat és gondolatokat.
05:18
And that is the mission that animates the scientists in my lab.
93
318815
3494
Ez az a küldetés, ami lelkesíti a kutatókat laboratóriumomban.
05:23
Today, I want to tell you two short stories from our work.
94
323251
2974
Most meg szeretnék osztani két rövid történetet önökkel.
05:27
One fundamental obstacle we face
95
327427
3104
Egyik alapvető akadály előttünk,
05:30
in trying to turn the brain into a big-data problem
96
330555
2660
hogy az agy adathalmazzá formálása során
05:33
is that our brains are composed of and built from billions of cells.
97
333946
4538
az agyunkban kialakult több milliárd sejttel kell számolnunk.
05:39
And our cells are not generalists; they're specialists.
98
339246
3859
Sejtjeink funkciója széles skálán mozog.
05:43
Like humans at work,
99
343129
2089
Mint az emberek a munkájukban,
05:45
they specialize into thousands of different cellular careers,
100
345242
5274
a sejtek is több ezer sejtfunkció vagy pozíció
05:50
or cell types.
101
350540
1367
betöltésére jelentkezhetnek.
05:52
In fact, each of the cell types in our body
102
352796
2571
Voltaképpen minden egyes sejttípus
05:55
could probably give a lively TED Talk
103
355391
1878
tarthatna egy TED-előadást
05:57
about what it does at work.
104
357293
1542
főbb feladatairól munkájában.
06:00
But as scientists, we don't even know today
105
360422
2370
De a kutatók még mai napig nem tudják,
06:02
how many cell types there are,
106
362816
1907
hányféle sejttípus létezik,
06:04
and we don't know what the titles of most of those talks would be.
107
364747
3277
és nem tudjuk azt sem, mi lenne a sejtek előadásainak a címe.
06:11
Now, we know many important things about cell types.
108
371809
2970
Sok lényeges információnk van a sejttípusokról.
06:14
They can differ dramatically in size and shape.
109
374803
2751
Méretben és formában is drasztikusan eltérnek.
06:17
One will respond to a molecule that the other doesn't respond to,
110
377578
4135
Az egyik reagál egy molekulára, amire a másik nem.
06:21
they'll make different molecules.
111
381737
1794
Különböző molekulákat tartalmaznak.
06:23
But science has largely been reaching these insights
112
383555
2521
Jórészt a tudomány eseti megoldásokat használ,
06:26
in an ad hoc way, one cell type at a time,
113
386100
2943
a sejtek és molekulák
06:29
one molecule at a time.
114
389067
1486
megismerésére.
06:31
We wanted to make it possible to learn all of this quickly and systematically.
115
391854
4731
Lehetővé akartuk tenni, hogy gyorsan és szisztematikusan tanulhassunk róluk.
06:37
Now, until recently, it was the case
116
397673
1748
Mostanáig az volt a rutin,
06:39
that if you wanted to inventory all of the molecules
117
399445
3076
hogy ha leltározni akarták az összes molekulát
06:42
in a part of the brain or any organ,
118
402545
2925
az agy vagy egyéb szerv egy részéből,
06:45
you had to first grind it up into a kind of cellular smoothie.
119
405494
3954
egy sejttel teli turmixot kellett készíteniük először.
06:50
But that's a problem.
120
410678
1230
A gond itt kezdődik.
06:52
As soon as you've ground up the cells,
121
412737
2538
A sejtek felőrlése után
06:55
you can only study the contents of the average cell --
122
415299
3511
azok csak általánosságban tanulmányozhatók,
06:58
not the individual cells.
123
418834
1595
nem pedig egyenként.
07:01
Imagine if you were trying to understand how a big city like New York works,
124
421182
3709
Mintha meg akarnák érteni a nagyvárosok, pl. New York működését,
07:04
but you could only do so by reviewing some statistics
125
424915
2542
de csak néhány statisztikai adathoz lenne
07:07
about the average resident of New York.
126
427481
2029
hozzáférésük az átlagos városlakóról.
07:10
Of course, you wouldn't learn very much,
127
430637
1979
Természetesen alig tanulnának belőle,
07:12
because everything that's interesting and important and exciting
128
432640
3000
mert ami érdekes, izgalmas és fontos,
07:15
is in all the diversity and the specializations.
129
435664
2732
az a sokszínűségben és az elkülönülésben rejlik.
07:18
And the same thing is true of our cells.
130
438420
2606
És a sejtekre is ugyanez igaz.
07:21
And we wanted to make it possible to study the brain not as a cellular smoothie
131
441050
4750
Lehetővé akartuk tenni, hogy az agyat ne sejtturmixként
07:25
but as a cellular fruit salad,
132
445824
2478
hanem gyümölcssalátaként tanulmányozzuk,
07:28
in which one could generate data about and learn from
133
448326
2604
amelyből több adat nyerhető ki, és többet megtudhatunk
07:30
each individual piece of fruit.
134
450954
1838
az egyes "gyümölcsökről".
07:34
So we developed a technology for doing that.
135
454253
2718
Így kifejlesztettünk egy technológiát.
07:36
You're about to see a movie of it.
136
456995
1729
Jön egy film erről most.
07:41
Here we're packaging tens of thousands of individual cells,
137
461477
4028
Itt csomagolunk több ezer egyedi sejtet,
07:45
each into its own tiny water droplet
138
465529
2923
mindegyiket megtartva saját környezetében,
07:48
for its own molecular analysis.
139
468476
2211
a saját molekuláris elemzésük érdekében.
07:51
When a cell lands in a droplet, it's greeted by a tiny bead,
140
471921
4123
Amikor egy sejtet egy cseppbe helyezünk egy apró vízgyöngy veszi körül,
07:56
and that bead delivers millions of DNA bar code molecules.
141
476068
3694
ami milliónyi DNS-molekulát szállít,
08:01
And each bead delivers a different bar code sequence
142
481115
3308
mindegyik más-más vonalkód sorrendiséggel
08:04
to a different cell.
143
484447
1243
sejtenként.
08:06
We incorporate the DNA bar codes
144
486884
2581
Egyesítjük a DNA-vonalkód rendszert
08:09
into each cell's RNA molecules.
145
489489
3058
minden egyes sejt ribonuksleinsav-molekulájával.
08:12
Those are the molecular transcripts it's making
146
492571
2836
Ez az adott génekből létrejövő molekuláris átirat,
08:15
of the specific genes that it's using to do its job.
147
495431
3103
amelyet a feladatok elvégzésére használ.
08:19
And then we sequence billions of these combined molecules
148
499383
4207
Aztán sorba rendezzük a milliárdnyi összekapcsolt molekulát,
08:24
and use the sequences to tell us
149
504532
2498
és a sorrendjük alapján meghatározzuk
08:27
which cell and which gene
150
507054
2602
az egyes sejtek, gének
08:29
every molecule came from.
151
509680
1540
és molekulák eredetét.
08:32
We call this approach "Drop-seq," because we use droplets
152
512561
3292
Ezt a módszert Drop-seq-nek nevezzük, mivel cseppmódszerrel választjuk
08:35
to separate the cells for analysis,
153
515877
2575
szét a sejteket tanulmányozásra,
08:38
and we use DNA sequences to tag and inventory
154
518476
3445
és DNS-bázissorrendet használunk az azonosításra
08:41
and keep track of everything.
155
521945
1488
és leltározásra.
08:44
And now, whenever we do an experiment,
156
524727
1976
Amikor kísérletet végzünk,
08:46
we analyze tens of thousands of individual cells.
157
526727
3243
több tízezer egyedi sejtet elemzünk.
08:51
And today in this area of science,
158
531018
2624
Ma a tudomány ezen területén
08:53
the challenge is increasingly how to learn as much as we can
159
533666
4931
a kihívás abban rejlik, hogyan tudunk megismerni valamit a lehető
08:58
as quickly as we can
160
538621
1872
legrövidebb idő alatt ebből
09:00
from these vast data sets.
161
540517
1738
a hatalmas adatállományból.
09:04
When we were developing Drop-seq, people used to tell us,
162
544914
2770
A Drop-seq fejlesztése során az emberek azt mondogatták,
09:07
"Oh, this is going to make you guys the go-to for every major brain project."
163
547708
4804
"mindenki hozzátok fog fordulni az agykutatás témájában".
09:13
That's not how we saw it.
164
553257
1544
De ezt mi nem így láttuk.
09:14
Science is best when everyone is generating lots of exciting data.
165
554825
4531
A tudomány akkor fejlődik, ha mindenki nagy mennyiségű adatot termel.
09:20
So we wrote a 25-page instruction book,
166
560197
3214
Így írtunk egy 25 oldalas használati útmutatót,
09:23
with which any scientist could build their own Drop-seq system from scratch.
167
563435
4578
aminek segítségével minden kutató képes a Drop-seq stratégia használatára.
09:28
And that instruction book has been downloaded from our lab website
168
568037
3697
Ezt az útmutatót közel 50 ezren töltötték le weboldalunkról
09:31
50,000 times in the past two years.
169
571758
2965
az elmúlt két évben.
09:35
We wrote software that any scientist could use
170
575598
3052
Olyan szoftvert írtunk, amit bármely kutató tud használni,
09:38
to analyze the data from Drop-seq experiments,
171
578674
2898
hogy a Drop-seq kisérletből származó adatokat elemezzen.
09:41
and that software is also free,
172
581596
1715
A szoftver pedig ingyenes,
09:43
and it's been downloaded from our website 30,000 times in the past two years.
173
583335
4388
és már közel 30 ezren töltötték le az utóbbi két évben a weboldalunkról.
09:48
And hundreds of labs have written us about discoveries that they've made
174
588328
4979
Már rengeteg laboratórium írt kutatási eredményeinkről,
09:53
using this approach.
175
593331
1443
amiket az eljárással értek el.
09:54
Today, this technology is being used to make a human cell atlas.
176
594798
3560
Ma ezt a technológiát a sejtek sokaságának feltérképezésére használják.
09:58
It will be an atlas of all of the cell types in the human body
177
598382
3354
Ez térképként mutatja az emberi test összes létező sejttípusát
10:01
and the specific genes that each cell type uses to do its job.
178
601760
3680
és a sejt által használt bizonyos géneket.
10:08
Now I want to tell you about a second challenge that we face
179
608133
2876
Mesélek most a második nehézségről, amivel szembe kell nézni
10:11
in trying to turn the brain into a big data problem.
180
611033
2448
az agy sejtjeinek adathalmazzá alakítása során.
10:13
And that challenge is that we'd like to learn from the brains
181
613505
3279
A nehézség pedig az, hogy több százezer
10:16
of hundreds of thousands of living people.
182
616808
2444
élő ember agyát tanulmányozzuk.
10:19
But our brains are not physically accessible while we're living.
183
619998
3704
De az agyunk fizikailag nem vizsgálható míg élünk.
10:24
But how can we discover molecular factors if we can't hold the molecules?
184
624895
3960
Hogy fedezünk fel molekuláris tényezőket, ha a molekulákat nem foghatjuk meg?
10:30
An answer comes from the fact that the most informative molecules, proteins,
185
630352
4548
A válasz abban rejlik, hogy a legtöbb adattal szolgáló molekulák, a fehérjék
10:34
are encoded in our DNA,
186
634924
1782
a DNS-ünkbe vannak kódolva,
10:36
which has the recipes our cells follow to make all of our proteins.
187
636730
4530
amely utasításokat ad a sejteknek termelésükre.
10:41
And these recipes vary from person to person to person
188
641999
4946
Ezek az utasítások pedig személyenként különböznek,
10:46
in ways that cause the proteins to vary from person to person
189
646969
3342
ami hozzájárul a fehérjék személyenkénti,
10:50
in their precise sequence
190
650335
1787
sorrendbeli eltérésükhöz is,
10:52
and in how much each cell type makes of each protein.
191
652146
3151
és ahhoz, hogy a sejttípusok milyen fehérjéket termelnek.
10:56
It's all encoded in our DNA, and it's all genetics,
192
656441
3393
Mindez a DNS-ünkbe van kódolva, ebből áll a genetika,
10:59
but it's not the genetics that we learned about in school.
193
659858
2817
de nem az a fajta genetika, amit az iskolában tanítottak.
11:03
Do you remember big B, little b?
194
663572
1983
Emlékeznek még a kis és nagy B-re?
11:06
If you inherit big B, you get brown eyes?
195
666260
2400
Nagy B-nél barna szemet örökölnek?
11:09
It's simple.
196
669085
1223
Ez egyszerű.
11:11
Very few traits are that simple.
197
671451
3173
Nagyon kevés jellemvonás ennyire egyszerű.
11:15
Even eye color is shaped by much more than a single pigment molecule.
198
675232
4725
Nem csak egy pigmentmolekula van befolyással szemszínünkre.
11:20
And something as complex as the function of our brains
199
680861
4250
És valami, ami olyan bonyolult, mint az agyunk működése,
11:25
is shaped by the interaction of thousands of genes.
200
685135
3247
még inkább ezer gén kölcsönhatása által vezérelt.
11:28
And each of these genes varies meaningfully
201
688406
2340
És a gének mindegyike nagy mértékben eltér
11:30
from person to person to person,
202
690770
1838
egymástól személyenként,
11:32
and each of us is a unique combination of that variation.
203
692632
3517
és mindannyiunk ezen gének egyedi kombinációja.
11:37
It's a big data opportunity.
204
697419
2216
Ez egy hatalmas "adatlehetőség",
11:40
And today, it's increasingly possible to make progress
205
700214
3176
és ma az előrelépés oly mértékben lehetséges,
11:43
on a scale that was never possible before.
206
703414
2796
amilyen ezelőtt sohasem volt.
11:46
People are contributing to genetic studies
207
706234
2405
Rekordmennyiségben járulunk hozzá
11:48
in record numbers,
208
708663
1594
a genetikai kutatásokhoz,
11:51
and scientists around the world are sharing the data with one another
209
711085
4087
a kutatók pedig folyamatosan megosztják adataikat egymással,
11:55
to speed progress.
210
715196
1571
hogy felgyorsítsák a haladást.
11:57
I want to tell you a short story about a discovery we recently made
211
717514
3239
Megosztanék egy történetet egy közelmúltban tett felfedezésünkről
12:00
about the genetics of schizophrenia.
212
720777
1894
a skizofrénia genetikájáról.
12:03
It was made possible by 50,000 people from 30 countries,
213
723506
4596
Ezt a felfedezést 50 ezer ember 30 különböző országból tette lehetővé,
12:08
who contributed their DNA to genetic research on schizophrenia.
214
728126
4700
akik hozzájárulnak a DNS-ük használatához genetikai kutatás céljából.
12:14
It had been known for several years
215
734406
2096
Már jó néhány éve köztudott,
12:16
that the human genome's largest influence on risk of schizophrenia
216
736526
4111
hogy a humán genom legnagyobb hatása a skizofrénia kialakulásának kockázatára
12:20
comes from a part of the genome
217
740661
1802
a genom olyan részéből származik,
12:22
that encodes many of the molecules in our immune system.
218
742487
3344
ami az immunrendszer molekuláit kódolja.
12:25
But it wasn't clear which gene was responsible.
219
745855
3034
De sosem volt világos, hogy melyik gén felelős.
12:29
A scientist in my lab developed a new way to analyze DNA with computers,
220
749746
4040
Egy kutató a laboromban kifejlesztett egy új módszert
a DNS számítógépes analizálására, és nagyon érdekes felfedezésre jutott.
12:33
and he discovered something very surprising.
221
753810
3095
12:36
He found that a gene called "complement component 4" --
222
756929
3251
Felfedezte, hogy a komplement komponens 4 gén,
12:40
it's called "C4" for short --
223
760204
1799
röviden C4
12:43
comes in dozens of different forms in different people's genomes,
224
763036
3889
többféle különböző formában létezik a humán genomban,
12:46
and these different forms make different amounts
225
766949
3197
és különféle variánsai változó mennyiségű C4 proteint
12:50
of C4 protein in our brains.
226
770170
2242
állítanak elő az agyunkban.
12:52
And he found that the more C4 protein our genes make,
227
772957
3985
Rájött, hogy minél nagyobb mennyiségben van jelen a C4 protein,
12:56
the greater our risk for schizophrenia.
228
776966
2112
annál nagyobb az esély a betegségre.
12:59
Now, C4 is still just one risk factor in a complex system.
229
779919
4907
Persze, a C4 protein csak egy a kockázati tényezők közül az összetett rendszerben.
13:04
This isn't big B,
230
784850
1989
Ez nem a nagy B,
13:06
but it's an insight about a molecule that matters.
231
786863
3557
de betekintést nyújt egy molekulába, ami számít.
13:11
Complement proteins like C4 were known for a long time
232
791492
3637
Komplement fehérjék, mint a C4, már régóta ismertek
13:15
for their roles in the immune system,
233
795153
1953
immunrendszeribeli szerepük miatt,
13:17
where they act as a kind of molecular Post-it note
234
797130
2778
ahol mint molekuláris jelölőcímke viselkedik,
13:19
that says, "Eat me."
235
799932
1580
mely azt üzeni: "egyél meg".
13:22
And that Post-it note gets put on lots of debris
236
802475
2667
És ez a címke nagyon sok törmeléket
13:25
and dead cells in our bodies
237
805166
2357
és elhalt sejtet húz magához,
13:27
and invites immune cells to eliminate them.
238
807547
2490
majd az immunsejteket megsemmisítésükre ösztönzi.
13:30
But two colleagues of mine found that the C4 Post-it note
239
810779
3539
Két kollégám rájött, hogy a C4 jelölőcímke
13:35
also gets put on synapses in the brain
240
815183
3298
az agyi szinapszisokra is rá van rakva,
13:38
and prompts their elimination.
241
818505
1864
és elősegítik eltávolításukat.
13:41
Now, the creation and elimination of synapses is a normal part
242
821154
3266
Tehát a szinapszisok keletkezése és eltávolítása alapvető része
13:44
of human development and learning.
243
824444
1854
az emberi fejlődésnek és tanulásnak.
13:46
Our brains create and eliminate synapses all the time.
244
826322
2921
Az agyunk folyamatosan létrehoz és megsemmisít szinapszisokat.
13:49
But our genetic results suggest that in schizophrenia,
245
829921
2960
De genetikai eredményeink szerint a skizofrénia esetében
13:52
the elimination process may go into overdrive.
246
832905
3233
az eltávolítási folyamat túllépi a normális mértéket.
13:57
Scientists at many drug companies tell me they're excited about this discovery,
247
837185
3929
A kutatók sok gyógyszercégnél állítják, hogy izgatottak az új fejfedezés kapcsán,
14:01
because they've been working on complement proteins for years
248
841138
3239
mivel már hosszú évek óta foglalkoznak az immunrendszerbeli
14:04
in the immune system,
249
844401
1540
komplement fehérjékkel,
14:05
and they've learned a lot about how they work.
250
845965
2206
és sokat megtanultak működésükről.
14:08
They've even developed molecules that interfere with complement proteins,
251
848885
3894
Még olyan molekulákat is fejlesztettek, amik akadályozzák a komplement fehérjét,
14:12
and they're starting to test them in the brain as well as the immune system.
252
852803
3607
és tesztelik őket az agyban és az immunrendszerben egyaránt.
14:17
It's potentially a path toward a drug that might address a root cause
253
857124
4721
Így lehetőség rejlene egy gyógyszer kifejlesztésében, ami nem a tünetet,
14:21
rather than an individual symptom,
254
861869
2649
hanem a betegséget szüntetné meg.
14:24
and we hope very much that this work by many scientists over many years
255
864542
4048
Reméljük, hogy ez az évek során végzett munka
14:28
will be successful.
256
868614
1152
sikeres lesz.
14:31
But C4 is just one example
257
871689
3014
De a C4 csak egy példa
14:34
of the potential for data-driven scientific approaches
258
874727
3112
az adatvezérelt kutatási megközelítésekre,
14:37
to open new fronts on medical problems that are centuries old.
259
877863
3903
ami ajtókat nyithat meg régóta megoldatlan problémák előtt.
14:42
There are hundreds of places in our genomes
260
882144
2745
Több száz hely van a genomunkban,
14:44
that shape risk for brain illnesses,
261
884913
2585
amelyek kockázatot jelentenek agyi megbetegedésekre,
14:47
and any one of them could lead us to the next molecular insight
262
887522
4066
és bármelyikük elvezethet minket a következő, fontos szerepet játszó
14:51
about a molecule that matters.
263
891612
2020
molekula felismeréséhez.
14:53
And there are hundreds of cell types that use these genes in different combinations.
264
893656
3987
Rengeteg sejttípus van, ami a géneket különböző kombinációkban használja.
14:57
As we and other scientists work to generate
265
897667
2069
Mi és más kutatók, egy még szükséges
14:59
the rest of the data that's needed
266
899760
2069
adathalmaz felépítésén dolgozunk,
15:01
and to learn all that we can from that data,
267
901853
2393
és a lehetséges adatokat megszerezve
15:04
we hope to open many more new fronts.
268
904270
2403
reméljük új ajtókat nyithatunk meg.
15:08
Genetics and single-cell analysis are just two ways
269
908483
5079
A genetika és a sejtenkénti elemzés csupán kétféle mód
15:13
of trying to turn the brain into a big data problem.
270
913586
3767
az agy adathalmazzá alakításában.
15:18
There is so much more we can do.
271
918424
2159
Sokkal többre vagyunk képesek.
15:21
Scientists in my lab are creating a technology
272
921235
3074
A kutatók a laboromban egy olyan technológián dolgoznak,
15:24
for quickly mapping the synaptic connections in the brain
273
924333
3196
amely rövid időn belül térképezi fel az agyi szinapszisokat,
15:27
to tell which neurons are talking to which other neurons
274
927553
2938
hogy információt nyújtson a neuronok információcseréjéről,
15:30
and how that conversation changes throughout life and during illness.
275
930515
3996
annak változásáról életünk, illetve megbetegedéseink során.
15:35
And we're developing a way to test in a single tube
276
935467
4520
Olyan módszeren dolgozunk, ami egyetlen csőben vizsgálja,
15:40
how cells with hundreds of different people's genomes
277
940011
2718
hogyan reagálnak a különböző genomok sejtjei
15:42
respond differently to the same stimulus.
278
942753
2170
ugyanazon ingerre.
15:46
These projects bring together people with diverse backgrounds
279
946248
4903
Ezek a projektek eltérő háttérrel, érdeklődéssel és képzettséggel
15:51
and training and interests --
280
951175
2493
rendelkező egyéneket hoznak össze –
15:53
biology, computers, chemistry, math, statistics, engineering.
281
953692
5877
például a biológiát, informatikát, kémiát, matematikát, statisztikát és gépészetet.
16:00
But the scientific possibilities rally people with diverse interests
282
960205
4232
De a tudományos lehetőségek azok, melyek hajtják a különböző szaktudás
16:04
into working intensely together.
283
964461
2235
birtoklóit a közös munkára.
16:08
What's the future that we could hope to create?
284
968871
2551
Mit érhetünk el a jövőben?
16:12
Consider cancer.
285
972267
1350
Gondoljunk a rákra.
16:14
We've moved from an era of ignorance about what causes cancer,
286
974193
3922
Már túl vagyunk a tudatlanság időszakán a rákbetegségeket illetően,
16:18
in which cancer was commonly ascribed to personal psychological characteristics,
287
978139
6988
hisz tudjuk, nem egyéni élettani jellemzők a felelősek,
16:26
to a modern molecular understanding of the true biological causes of cancer.
288
986238
5395
mert eljutottunk egy molekuláris felismerésig a betegséget illetően.
16:32
That understanding today leads to innovative medicine
289
992100
3074
Ez a szakértelem ma innovatív gyógymódhoz vezet,
16:35
after innovative medicine,
290
995198
1696
és ebből következik –
16:36
and although there's still so much work to do,
291
996918
2839
habár még mindig sok a teendő –,
16:39
we're already surrounded by people who have been cured of cancers
292
999781
3394
hogy vannak emberek, akiket sikerült kigyógyítani egy olyan betegségből,
16:43
that were considered untreatable a generation ago.
293
1003199
3269
ami egy generációval ezelőtt lehetetlen volt.
16:48
And millions of cancer survivors like my sister
294
1008254
3376
És a milliónyi túlélője a ráknak, ahogy a testvérem is,
16:51
find themselves with years of life that they didn't take for granted
295
1011654
4401
évekkel hosszabb élet elé néz, ami előtte nem volt garantált,
16:56
and new opportunities
296
1016079
1769
és új lehetőségek elé is
16:57
for work and joy and human connection.
297
1017872
3930
a munka, a boldogság és emberi kapcsolatok terén.
17:03
That is the future that we are determined to create around mental illness --
298
1023358
4378
Ez lenne számunkra a jövőkép a mentális betegségek terén is –
17:08
one of real understanding and empathy
299
1028581
4119
az igazi megértés, együttérzés
17:12
and limitless possibility.
300
1032724
1816
és a határtalan lehetőségek.
17:15
Thank you.
301
1035159
1190
Köszönöm.
17:16
(Applause)
302
1036374
4062
(Taps)
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