Danny Hillis: Understanding cancer through proteomics

57,414 views ・ 2011-03-16

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Melissa Csikszentmihályi Lektor: Laszlo Kereszturi
00:15
I admit that I'm a little bit nervous here
0
15330
3000
Elismerem, hogy kicsit izgulok,
00:18
because I'm going to say some radical things,
1
18330
3000
mert egy nagyobb közönség előtt,
00:21
about how we should think about cancer differently,
2
21330
3000
mely nálam sokkal többet tud a rákról,
00:24
to an audience that contains a lot of people
3
24330
2000
radikális dolgokat fogok mondani arról,
00:26
who know a lot more about cancer than I do.
4
26330
3000
hogyan gondolkozzunk másképp a rákról.
00:30
But I will also contest that I'm not as nervous as I should be
5
30330
3000
Azt is elárulom ám, hogy annyira azonban mégsem izgulok, mint amennyire indokolt,
00:33
because I'm pretty sure I'm right about this.
6
33330
2000
mert erősen hiszem, hogy igazam van.
00:35
(Laughter)
7
35330
2000
(Nevetés)
00:37
And that this, in fact, will be
8
37330
2000
Hiszem, hogy ez lesz a jövőben
00:39
the way that we treat cancer in the future.
9
39330
3000
a rákkezelés módja.
00:43
In order to talk about cancer,
10
43330
2000
Hogy a rákról beszéljek,
00:45
I'm going to actually have to --
11
45330
3000
el kell magamnak intézni
00:48
let me get the big slide here.
12
48330
3000
egy nagy diát.
00:53
First, I'm going to try to give you a different perspective of genomics.
13
53330
3000
Először megpróbálom új nézőpontból bemutatni a genomikát.
00:56
I want to put it in perspective of the bigger picture
14
56330
2000
Tágabb perspektívába akarom helyezni,
00:58
of all the other things that are going on --
15
58330
3000
olyan képbe, melyen a folyamatot egészében lehet látni --
01:01
and then talk about something you haven't heard so much about, which is proteomics.
16
61330
3000
majd áttérek valami olyannak a tárgyalására, amiről még nem hallottak, s ez a proteomika.
01:04
Having explained those,
17
64330
2000
Ezek elmagyarázása
01:06
that will set up for what I think will be a different idea
18
66330
3000
megvilágítja majd, hogy mit értek
01:09
about how to go about treating cancer.
19
69330
2000
a rák kezelésének új megközelítése alatt.
01:11
So let me start with genomics.
20
71330
2000
Kezdjük tehát a genomikával.
01:13
It is the hot topic.
21
73330
2000
Ez egy mindig aktuális téma.
01:15
It is the place where we're learning the most.
22
75330
2000
Sokat tanulhatunk e téren.
01:17
This is the great frontier.
23
77330
2000
Nagy mérföldkő
01:19
But it has its limitations.
24
79330
3000
Megvannak a korlátai.
01:22
And in particular, you've probably all heard the analogy
25
82330
3000
Kiváltképpen, valószínűleg mindannyian ismerik azt a hasonlatot,
01:25
that the genome is like the blueprint of your body,
26
85330
3000
hogy a génállomány olyan, mint a szervezetünk kapcsolási rajza.
01:28
and if that were only true, it would be great,
27
88330
2000
Bárcsak igaz lenne!
01:30
but it's not.
28
90330
2000
De nem az.
01:32
It's like the parts list of your body.
29
92330
2000
Olyan, mint egy lista a tested alkotórészeiről.
01:34
It doesn't say how things are connected,
30
94330
2000
Nem árul el semmit arról, hogy miképp kapcsolódnak,
01:36
what causes what and so on.
31
96330
3000
mi mit okoz, stb.
01:39
So if I can make an analogy,
32
99330
2000
Ha tehát egy hasonlattal akarunk élni,
01:41
let's say that you were trying to tell the difference
33
101330
2000
mondjuk azt, hogy valaki el akarná magyarázni, mi a különbség
01:43
between a good restaurant, a healthy restaurant
34
103330
3000
egy jó, egészséges étterem,
01:46
and a sick restaurant,
35
106330
2000
és egy egészségtelen étterem között,
01:48
and all you had was the list of ingredients
36
108330
2000
s mindehhez csupán az ételeik hozzávalóinak listája
01:50
that they had in their larder.
37
110330
3000
állna rendelkezésére, mely az élelmiszerraktárukban volt.
01:53
So it might be that, if you went to a French restaurant
38
113330
3000
Lehet, hogy elmegy valaki egy francia étterembe,
01:56
and you looked through it and you found
39
116330
2000
körülnéz, és látja, hogy
01:58
they only had margarine and they didn't have butter,
40
118330
2000
csak margarint használnak, vajat egyáltalán nem,
02:00
you could say, "Ah, I see what's wrong with them.
41
120330
2000
mondhatja, hogy "Á, látom már, mi nem stimmel itt.
02:02
I can make them healthy."
42
122330
2000
Majd én rávezetem őket arra, mi az egészséges."
02:04
And there probably are special cases of that.
43
124330
2000
Minden bizonnyal vannak különleges esetek is.
02:06
You could certainly tell the difference
44
126330
2000
Biztos meg tudná mondani, mi a különbség
02:08
between a Chinese restaurant and a French restaurant
45
128330
2000
egy kínai és egy francia étterem között
02:10
by what they had in a larder.
46
130330
2000
az alapján, hogy mi van a raktárukon.
02:12
So the list of ingredients does tell you something,
47
132330
3000
A hozzávalók listája tehát mindenképpen mond valamit,
02:15
and sometimes it tells you something that's wrong.
48
135330
3000
olykor azt, hogy valami gond van.
02:19
If they have tons of salt,
49
139330
2000
Ha többtonnányi só szerepel a listán,
02:21
you might guess they're using too much salt, or something like that.
50
141330
3000
kitalálhatjuk, hogy túl sok sót használnak, vagy ilyesmi
02:24
But it's limited,
51
144330
2000
De korlátozott,
02:26
because really to know if it's a healthy restaurant,
52
146330
2000
mert ahhoz, hogy valóban meg tudjuk, hogy egészséges-e az étterem,
02:28
you need to taste the food, you need to know what goes on in the kitchen,
53
148330
3000
ahhoz meg kell kóstolnunk az ételeit, és betekintést kell nyernünk a konyhájába,
02:31
you need the product of all of those ingredients.
54
151330
3000
szükségünk van az összetevőkből készült ételre.
02:34
So if I look at a person
55
154330
2000
Ha tehát veszünk egy tetszőleges személyt,
02:36
and I look at a person's genome, it's the same thing.
56
156330
3000
és megvizsgáljuk a génállományát, ugyanez történik.
02:39
The part of the genome that we can read
57
159330
2000
A génállománynak az a része, melyben olvashatunk,
02:41
is the list of ingredients.
58
161330
2000
a hozzávalók listája.
02:43
And so indeed,
59
163330
2000
És valóban,
02:45
there are times when we can find ingredients
60
165330
2000
van olyan, hogy találunk olyan összetevőket,
02:47
that [are] bad.
61
167330
2000
melyek rosszak.
02:49
Cystic fibrosis is an example of a disease
62
169330
2000
A rángógörcs egy olyan megbetegedés,
02:51
where you just have a bad ingredient and you have a disease,
63
171330
3000
melynél mindössze egy rossz hozzávalónk van, s máris megbetegszünk,
02:54
and we can actually make a direct correspondence
64
174330
3000
s ezt közvetlen kapcsolatba hozhatjuk
02:57
between the ingredient and the disease.
65
177330
3000
ezzel az összetevővel.
03:00
But most things, you really have to know what's going on in the kitchen,
66
180330
3000
Legelsősorban azzal kell tisztában lennünk, hogy mi folyik a konyhában,
03:03
because, mostly, sick people used to be healthy people --
67
183330
2000
mert, a beteg emberek jobbára egészséges emberek voltak valaha --
03:05
they have the same genome.
68
185330
2000
a génállományuk nem változott.
03:07
So the genome really tells you much more
69
187330
2000
A génállomány tehát valóban sokkal többet árul el
03:09
about predisposition.
70
189330
2000
a hajlamról.
03:11
So what you can tell
71
191330
2000
Amit kapásból el tudunk mondani
03:13
is you can tell the difference between an Asian person and a European person
72
193330
2000
az összetevőik listájára pillantva az az,
03:15
by looking at their ingredients list.
73
195330
2000
hogy mi a különbség egy ázsiai és egy európai között.
03:17
But you really for the most part can't tell the difference
74
197330
3000
Az esetek nagy részében azonban nem igazán tudjuk megállapítani
03:20
between a healthy person and a sick person --
75
200330
3000
mi a különbség egy egészséges és egy beteg ember között -
03:23
except in some of these special cases.
76
203330
2000
néhány különös eset kivételével.
03:25
So why all the big deal
77
205330
2000
Akkor meg mi ez a felhajtás
03:27
about genetics?
78
207330
2000
a genetika körül?
03:29
Well first of all,
79
209330
2000
Nos, először is az,
03:31
it's because we can read it, which is fantastic.
80
211330
3000
hogy tudunk benne olvasni, ami fantasztikus.
03:34
It is very useful in certain circumstances.
81
214330
3000
Bizonyos körülmények között ez nagyon hasznos.
03:37
It's also the great theoretical triumph
82
217330
3000
Másfelől a biológia
03:40
of biology.
83
220330
2000
nagy elméleti vívmánya.
03:42
It's the one theory
84
222330
2000
Az a bizonyos elmélet,
03:44
that the biologists ever really got right.
85
224330
2000
melyben a biológusok tényleg nem tévedtek.
03:46
It's fundamental to Darwin
86
226330
2000
Darwin, Mendel,
03:48
and Mendel and so on.
87
228330
2000
és a többiek mind erre építkeztek.
03:50
And so it's the one thing where they predicted a theoretical construct.
88
230330
3000
Ez az, ahol elméleti építményt jósoltak meg.
03:54
So Mendel had this idea of a gene
89
234330
2000
Mendelnek volt ez az elképzelése: a gén
03:56
as an abstract thing,
90
236330
3000
mint absztrakció.
03:59
and Darwin built a whole theory
91
239330
2000
Darwin pedig egy egész elméletet épített,
04:01
that depended on them existing,
92
241330
2000
melynek alapja a gének létezése volt.
04:03
and then Watson and Crick
93
243330
2000
Azután Watson és Crick
04:05
actually looked and found one.
94
245330
2000
addig keresgélt, míg találtak egyet.
04:07
So this happens in physics all the time.
95
247330
2000
A fizikában mindig ez történik.
04:09
You predict a black hole,
96
249330
2000
Az ember előrejelzel egy fekete lyukat,
04:11
and you look out the telescope and there it is, just like you said.
97
251330
3000
majd belenéz a távcsőbe, és ott van, ahogy mondta.
04:14
But it rarely happens in biology.
98
254330
2000
A biológia területén azonban ez ritkán fordul elő.
04:16
So this great triumph -- it's so good,
99
256330
3000
Ez a nagy diadal tehát - olyan jó -
04:19
there's almost a religious experience
100
259330
2000
a biológiában
04:21
in biology.
101
261330
2000
már-már vallásos élménynek számít.
04:23
And Darwinian evolution
102
263330
2000
A darwini evolúció
04:25
is really the core theory.
103
265330
3000
igazán magvas elmélet.
04:30
So the other reason it's been very popular
104
270330
2000
Népszerűségének másik oka pedig az,
04:32
is because we can measure it, it's digital.
105
272330
3000
hogy mérhető, azaz digitális.
04:35
And in fact,
106
275330
2000
Valójában,
04:37
thanks to Kary Mullis,
107
277330
2000
Kary Mullis-nak köszönhetően
04:39
you can basically measure your genome in your kitchen
108
279330
4000
a génállományunkat ténylegesen meg tudjuk mérni otthon a konyhában
04:43
with a few extra ingredients.
109
283330
3000
néhány kiegészítő kellék segítségével.
04:46
So for instance, by measuring the genome,
110
286330
3000
A génállomány mérése során például
04:49
we've learned a lot about how we're related to other kinds of animals
111
289330
4000
2 génállomány hasonlósága révén
04:53
by the closeness of our genome,
112
293330
3000
sokat megtudtunk arról, hogy milyen viszonyban állunk más állatokkal,
04:56
or how we're related to each other -- the family tree,
113
296330
3000
vagy hogyan áll 2 személy rokonságban -- mutatja ezt a családfa,
04:59
or the tree of life.
114
299330
2000
vagy az élet fája.
05:01
There's a huge amount of information about the genetics
115
301330
3000
A genetika, ha csak a genetikai hasonlóságok vizsgálását vesszük,
05:04
just by comparing the genetic similarity.
116
304330
3000
hatalmas információs anyaggal rendelkezik.
05:07
Now of course, in medical application,
117
307330
2000
Na most természetes, hogy az orvosi alkalmazása
05:09
that is very useful
118
309330
2000
nagyon hasznos,
05:11
because it's the same kind of information
119
311330
3000
hiszen ez ugyanaz a fajta információ,
05:14
that the doctor gets from your family medical history --
120
314330
3000
melyet az orvos a családi kórtörténetből ismer meg --
05:17
except probably,
121
317330
2000
talán egyedül maga a génállomány
05:19
your genome knows much more about your medical history than you do.
122
319330
3000
tud jóval többet a kórtörténetünkről mint mi magunk.
05:22
And so by reading the genome,
123
322330
2000
A genetikai vizsgálat során tehát
05:24
we can find out much more about your family than you probably know.
124
324330
3000
sokkal többet tudhatunk meg valakinek a családjáról, mint amennyit maga az illető tud.
05:27
And so we can discover things
125
327330
2000
Olyan dolgokat fedezhetünk fel,
05:29
that probably you could have found
126
329330
2000
melyekre az illető is rájöhet,
05:31
by looking at enough of your relatives,
127
331330
2000
ha alaposan megvizsgálja a rokonait,
05:33
but they may be surprising.
128
333330
3000
de ezek meglepőek lehetnek
05:36
I did the 23andMe thing
129
336330
2000
Én elvégeztem a 23andMe genetikai vizsgálatát,
05:38
and was very surprised to discover that I am fat and bald.
130
338330
3000
és nagyon meglepődtem, hogy kövér és kopasz vagyok.
05:41
(Laughter)
131
341330
7000
(Nevetés)
05:48
But sometimes you can learn much more useful things about that.
132
348330
3000
Néha azonban ennél sokkal hasznosabb dolgokat is megtudhatunk.
05:51
But mostly
133
351330
3000
Legtöbbször
05:54
what you need to know, to find out if you're sick,
134
354330
2000
nem is azt kell megtudnunk, mire van hajlamunk,
05:56
is not your predispositions,
135
356330
2000
ahhoz, hogy megtudjuk, hogy betegek vagyunk-e,
05:58
but it's actually what's going on in your body right now.
136
358330
3000
hanem azt, hogy éppen mi történik a szervezetünkben.
06:01
So to do that, what you really need to do,
137
361330
2000
Ehhez pedig arra van szükségünk, hogy
06:03
you need to look at the things
138
363330
2000
megnézzük, a gének
06:05
that the genes are producing
139
365330
2000
mit csinálnak,
06:07
and what's happening after the genetics,
140
367330
2000
és mi történik a genetika után.
06:09
and that's what proteomics is about.
141
369330
2000
Erről szól a proteomika.
06:11
Just like genome mixes the study of all the genes,
142
371330
3000
Csak úgy mint ahogy a génállomány a gének összességének tudománya,
06:14
proteomics is the study of all the proteins.
143
374330
3000
a proteomika a fehérjék összességének tudománya.
06:17
And the proteins are all of the little things in your body
144
377330
2000
A fehérjék pedig a szervezetben felgyülemlett apró dolgok sokasága,
06:19
that are signaling between the cells --
145
379330
3000
melyek a sejtek között jeleznek egymásnak --
06:22
actually, the machines that are operating --
146
382330
2000
voltaképpen üzemben álló gépek.
06:24
that's where the action is.
147
384330
2000
Itt zajlanak a dolgok.
06:26
Basically, a human body
148
386330
3000
Az emberi szervezet alapvetően
06:29
is a conversation going on,
149
389330
3000
kommunikáció,
06:32
both within the cells and between the cells,
150
392330
3000
mind a sejteken belül, mind pedig a sejtek között,
06:35
and they're telling each other to grow and to die,
151
395330
3000
egymást növekedésre biztató és halálra ítélő sejtek párbeszéde.
06:38
and when you're sick,
152
398330
2000
Amikor pedig betegek vagyunk,
06:40
something's gone wrong with that conversation.
153
400330
2000
valami zavar van a kommunikációban.
06:42
And so the trick is --
154
402330
2000
Az a helyzet, hogy --
06:44
unfortunately, we don't have an easy way to measure these
155
404330
3000
sajnos ehhez nem áll rendelkezésünkre olyasmi, amivel meg tudnánk mérni,
06:47
like we can measure the genome.
156
407330
2000
mint ahogy a génállomány esetében.
06:49
So the problem is that measuring --
157
409330
3000
A probléma a méréssel tehát az, hogy --
06:52
if you try to measure all the proteins, it's a very elaborate process.
158
412330
3000
ha megpróbáljuk megmérni az összes fehérjét, az egy nagyon aprólékos folyamat.
06:55
It requires hundreds of steps,
159
415330
2000
Száz meg száz lépésből áll,
06:57
and it takes a long, long time.
160
417330
2000
és hosszú-hosszú időbe telik.
06:59
And it matters how much of the protein it is.
161
419330
2000
Számít, hogy mennyi fehérjéről van szó.
07:01
It could be very significant that a protein changed by 10 percent,
162
421330
3000
Előfordulhat az a figyelemreméltó eset, hogy a fehérje 10 %-al változik,
07:04
so it's not a nice digital thing like DNA.
163
424330
3000
nem egy szép digitális dologról van szó, mint a DNS esetében.
07:07
And basically our problem is somebody's in the middle
164
427330
2000
A problémánk pedig az, hogy jön valaki, épp ennek a
07:09
of this very long stage,
165
429330
2000
roppant hosszú folyamatnak a közepén
07:11
they pause for just a moment,
166
431330
2000
megáll egy pillanatra,
07:13
and they leave something in an enzyme for a second,
167
433330
2000
egy másodpercre otthagy valamit egy enzimben,
07:15
and all of a sudden all the measurements from then on
168
435330
2000
és onnantól kezdve az összes mérési eredmény hirtelen
07:17
don't work.
169
437330
2000
érvénytelen.
07:19
And so then people get very inconsistent results
170
439330
2000
Ezáltal pedig nagyon egyenetlenek
07:21
when they do it this way.
171
441330
2000
a mérési eredmények.
07:23
People have tried very hard to do this.
172
443330
2000
Noha vannak, akik nagyon erőlködtek ezen.
07:25
I tried this a couple of times
173
445330
2000
Én többször megpróbáltam,
07:27
and looked at this problem and gave up on it.
174
447330
2000
foglalkoztam a problémával, de feladtam.
07:29
I kept getting this call from this oncologist
175
449330
2000
Sorra kaptam a telefonhívásokat
07:31
named David Agus.
176
451330
2000
David Agus onkológustól.
07:33
And Applied Minds gets a lot of calls
177
453330
3000
Az Applied Minds-hoz is sok hívás fut be
07:36
from people who want help with their problems,
178
456330
2000
olyanoktól, akik segítséget szeretnének,
07:38
and I didn't think this was a very likely one to call back,
179
458330
3000
s úgy voltam vele, hogy illene visszahívni,
07:41
so I kept on giving him to the delay list.
180
461330
3000
de aztán folyton halogattam.
07:44
And then one day,
181
464330
2000
Egy napon
07:46
I get a call from John Doerr, Bill Berkman
182
466330
2000
felhívott John Doerr, Bill Berkman
07:48
and Al Gore on the same day
183
468330
2000
és Al Gore. Mind ugyanazon a napon,
07:50
saying return David Agus's phone call.
184
470330
2000
hogy emlékeztessenek arra, hogy vissza kell hívnom David Agus-t.
07:52
(Laughter)
185
472330
2000
(Nevetés)
07:54
So I was like, "Okay. This guy's at least resourceful."
186
474330
2000
"Rendben"- gondoltam - "Ezeknek a fickóknak legalább van kapcsolati tőkéjük."
07:56
(Laughter)
187
476330
4000
(Nevetés)
08:00
So we started talking,
188
480330
2000
Akkor aztán elkezdtünk beszélgetni,
08:02
and he said, "I really need a better way to measure proteins."
189
482330
3000
és azt mondta, "komolyan szükségem van egy jobb módszerre, amivel a fehérjék mérhetők."
08:05
I'm like, "Looked at that. Been there.
190
485330
2000
Erre én: "Foglalkoztam a kérdéssel."
08:07
Not going to be easy."
191
487330
2000
Nem lesz egyszerű."
08:09
He's like, "No, no. I really need it.
192
489330
2000
Mire ő: "De, de nekem erre nagyon nagy szükségem van.
08:11
I mean, I see patients dying every day
193
491330
4000
Tudod, naponta látom, ahogy halnak a betegeim,
08:15
because we don't know what's going on inside of them.
194
495330
3000
mert nem tudjuk, mi zajlik bennük.
08:18
We have to have a window into this."
195
498330
2000
Rá kell erre néznünk valahogyan."
08:20
And he took me through
196
500330
2000
Konkrét példákat hozott fel
08:22
specific examples of when he really needed it.
197
502330
3000
arra, milyen esetekben lett volna rá tényleg szüksége.
08:25
And I realized, wow, this would really make a big difference,
198
505330
2000
Akkor rájöttem, hogy valóban sokat számítana,
08:27
if we could do it,
199
507330
2000
ha meg tudnánk ezt csinálni.
08:29
and so I said, "Well, let's look at it."
200
509330
2000
Azt mondtam neki: "Rendben. Próbáljuk meg."
08:31
Applied Minds has enough play money
201
511330
2000
Az Applied Mindsnak van elég pénze ahhoz,
08:33
that we can go and just work on something
202
513330
2000
hogy belekezdjünk valamibe anélkül,
08:35
without getting anybody's funding or permission or anything.
203
515330
3000
hogy külső támogatást, engedélyt vagy bármit kellene kérnünk.
08:38
So we started playing around with this.
204
518330
2000
Elkezdtünk tehát ezzel szórakozni.
08:40
And as we did it, we realized this was the basic problem --
205
520330
3000
Ahogy ezt csináltuk, rájöttünk, hogy mi okozta az elsődleges problémát --
08:43
that taking the sip of coffee --
206
523330
2000
röviden összefoglalva,
08:45
that there were humans doing this complicated process
207
525330
2000
emberek végezték az összetett folyamatokat
08:47
and that what really needed to be done
208
527330
2000
és ami igazán fontos volt az az,
08:49
was to automate this process like an assembly line
209
529330
3000
hogy ezeket a folyamatokat futószalagként automatizáljuk
08:52
and build robots
210
532330
2000
és olyan robotokat építsünk,
08:54
that would measure proteomics.
211
534330
2000
amik majd a fehérjéket mérik.
08:56
And so we did that,
212
536330
2000
Megcsináltuk.
08:58
and working with David,
213
538330
2000
A Daviddal való együtműködésünk
09:00
we made a little company called Applied Proteomics eventually,
214
540330
3000
során végül létrehoztunk egy kis céget, az Applied Proteomics-t,
09:03
which makes this robotic assembly line,
215
543330
3000
mely a robotizált futószalagot állítja össze,
09:06
which, in a very consistent way, measures the protein.
216
546330
3000
és a fehérjéket nagyon következetesen méri.
09:09
And I'll show you what that protein measurement looks like.
217
549330
3000
Megmutatom, hogyan történik a fehérje bemérése.
09:13
Basically, what we do
218
553330
2000
Alapjában véve azt tesszük,
09:15
is we take a drop of blood
219
555330
2000
hogy veszünk egy csepp vért
09:17
out of a patient,
220
557330
2000
a pácienstől,
09:19
and we sort out the proteins
221
559330
2000
és ebben az egy csepp vérben
09:21
in the drop of blood
222
561330
2000
elkülönítjük a fehérjéket
09:23
according to how much they weigh,
223
563330
2000
aszerint, hogy mi a súlyuk,
09:25
how slippery they are,
224
565330
2000
milyen mértékben csúsznak,
09:27
and we arrange them in an image.
225
567330
3000
és egy ábrában rendezzük őket.
09:30
And so we can look at literally
226
570330
2000
Ilyen módon szó szerint
09:32
hundreds of thousands of features at once
227
572330
2000
százas illetve ezres nagyságrendben
09:34
out of that drop of blood.
228
574330
2000
figyelhetjük őket meg abban az egyetlen csepp vérben.
09:36
And we can take a different one tomorrow,
229
576330
2000
Holnap vehetünk egy másik csepp vért,
09:38
and you will see your proteins tomorrow will be different --
230
578330
2000
és látni fogjuk, hogy a fehérjék holnap más értéket mutatnak--
09:40
they'll be different after you eat or after you sleep.
231
580330
3000
Más étkezések után és más alvást követően.
09:43
They really tell us what's going on there.
232
583330
3000
Komolyan sokat árulnak el arról, hogy mi zajlik a szervezetben.
09:46
And so this picture,
233
586330
2000
Ez a kép,
09:48
which looks like a big smudge to you,
234
588330
2000
ami úgy nézhet ki, mint egy nagy folt,
09:50
is actually the thing that got me really thrilled about this
235
590330
4000
az, ami igazán megborzongatott,
09:54
and made me feel like we were on the right track.
236
594330
2000
és azt az érzést keltette bennem, hogy jó úton járunk.
09:56
So if I zoom into that picture,
237
596330
2000
Ha felnagyítom ezt a képet,
09:58
I can just show you what it means.
238
598330
2000
jobban meg tudom mutatni, miről is van szó.
10:00
We sort out the proteins -- from left to right
239
600330
3000
Balról jobbra látjuk a fehérjéket
10:03
is the weight of the fragments that we're getting,
240
603330
3000
megkapjuk a részletek súlyértékét.
10:06
and from top to bottom is how slippery they are.
241
606330
3000
Fentről lefelé pedig azt látjuk, hogy mennyire csúszósak.
10:09
So we're zooming in here just to show you a little bit of it.
242
609330
3000
Ezt most csak azért nagyítjuk tehát fel, hogy jobban látszódjon.
10:12
And so each of these lines
243
612330
2000
Minden sor
10:14
represents some signal that we're getting out of a piece of a protein.
244
614330
3000
valami olyan tulajdonságot képvisel, amit a fehérje részecskéből ismertünk meg.
10:17
And you can see how the lines occur
245
617330
2000
Látható, hogy miképp alakulnak ki a sorok
10:19
in these little groups of bump, bump, bump, bump, bump.
246
619330
4000
ezekből a csoportokból, bum, bum, bum, bum, bum.
10:23
And that's because we're measuring the weight so precisely that --
247
623330
3000
Mert olyan pontosan mérjük a súlyt, hogy --
10:26
carbon comes in different isotopes,
248
626330
2000
a különböző izotópok szénnel vegyülnek,
10:28
so if it has an extra neutron on it,
249
628330
3000
ha tehát van egy neutron pluszban, akkor
10:31
we actually measure it as a different chemical.
250
631330
4000
különböző kemikáliaként végezzük a mérést.
10:35
So we're actually measuring each isotope as a different one.
251
635330
3000
Tehát minden izotópot különböző izotópként.
10:38
And so that gives you an idea
252
638330
3000
El tudják képzelni, hogy
10:41
of how exquisitely sensitive this is.
253
641330
2000
milyen kitűnő érzékenységű..
10:43
So seeing this picture
254
643330
2000
Az ábra láttán kicsit
10:45
is sort of like getting to be Galileo
255
645330
2000
olyanok leszünk, mint Galileo,
10:47
and looking at the stars
256
647330
2000
aki a csillagokat vizsgálta, és
10:49
and looking through the telescope for the first time,
257
649330
2000
amikor először nézett a távcsövébe.
10:51
and suddenly you say, "Wow, it's way more complicated than we thought it was."
258
651330
3000
Először kiálthatunk fel: "Ó, ez összetettebb, mint gondoltuk"
10:54
But we can see that stuff out there
259
654330
2000
De láthatjuk ezt a dolgot odakinn,
10:56
and actually see features of it.
260
656330
2000
látjuk, hogy milyenek.
10:58
So this is the signature out of which we're trying to get patterns.
261
658330
3000
Ez az aláírás, amiből meg akarunk tudni valamit.
11:01
So what we do with this
262
661330
2000
Mihez kezdünk ezzel?
11:03
is, for example, we can look at two patients,
263
663330
2000
Megvizsgálhatunk például két különböző beteget,
11:05
one that responded to a drug and one that didn't respond to a drug,
264
665330
3000
az egyik válaszol a gyógyszerre, a másik nem,
11:08
and ask, "What's going on differently
265
668330
2000
és feltesszük a kérdést: "Mi történik bennük
11:10
inside of them?"
266
670330
2000
másképp?"
11:12
And so we can make these measurements precisely enough
267
672330
3000
Ezeket a méréseket tehát éppen elég alkalommal tudjuk megtenni
11:15
that we can overlay two patients and look at the differences.
268
675330
3000
ahhoz, hogy megvizsgáljunk két beteget, hogy kiderüljenek a különbözőségek.
11:18
So here we have Alice in green
269
678330
2000
Itt látjuk, Alice-t zölddel jelöltük,
11:20
and Bob in red.
270
680330
2000
Bobot pirossal.
11:22
We overlay them. This is actual data.
271
682330
3000
Összevetjük őket. Ez a jelenlegi eredmény.
11:25
And you can see, mostly it overlaps and it's yellow,
272
685330
3000
Láthatjuk, hogy nagy az átfedés, ezt jelöli a sárga szín,
11:28
but there's some things that just Alice has
273
688330
2000
de van valami, ami csak Alicenél figyelhető meg,
11:30
and some things that just Bob has.
274
690330
2000
és valami, ami csak Bobnál.
11:32
And if we find a pattern of things
275
692330
3000
Ha megtaláljuk, mi az,
11:35
of the responders to the drug,
276
695330
3000
ami alapján a gyógyszerre reagálnak,
11:38
we see that in the blood,
277
698330
2000
akkor látjuk, mi az a
11:40
they have the condition
278
700330
2000
körülmény a vérükben.
11:42
that allows them to respond to this drug.
279
702330
2000
ami alapján reagálnak a gyógyszerre.
11:44
We might not even know what this protein is,
280
704330
2000
Lehet, hogy nem is tudjuk mi az a fehérje,
11:46
but we can see it's a marker
281
706330
2000
de látjuk a betegségre való
11:48
for the response to the disease.
282
708330
2000
válaszreakció jelzőjét.
11:53
So this already, I think,
283
713330
2000
Ez, úgy gondolom,
11:55
is tremendously useful in all kinds of medicine.
284
715330
3000
már önmagában nagyon hasznos dolog minden gyógyászat esetében.
11:58
But I think this is actually
285
718330
2000
Azt hiszem azonban, hogy
12:00
just the beginning
286
720330
2000
ez csak a kezdete annak,
12:02
of how we're going to treat cancer.
287
722330
2000
hogy hogyan fogjuk kezelni a rákot.
12:04
So let me move to cancer.
288
724330
2000
Térjünk tehát át a rákra.
12:06
The thing about cancer --
289
726330
2000
A rákkal az a helyzet,
12:08
when I got into this,
290
728330
2000
hogy amikor elkezdtem a témával foglalkozni,
12:10
I really knew nothing about it,
291
730330
2000
nem tudtam róla semmit,
12:12
but working with David Agus,
292
732330
2000
de David Agussal dolgozva
12:14
I started watching how cancer was actually being treated
293
734330
3000
elkezdett érdekelni a rákgyógyítás,
12:17
and went to operations where it was being cut out.
294
737330
3000
és elkezdtem műtétekre járni, ahol a rákot kioperálták.
12:20
And as I looked at it,
295
740330
2000
Úgy láttam,
12:22
to me it didn't make sense
296
742330
2000
ennek a fajta megközelítésnek
12:24
how we were approaching cancer,
297
744330
2000
nincsen értelme.
12:26
and in order to make sense of it,
298
746330
3000
Azért, hogy értelme legyen,
12:29
I had to learn where did this come from.
299
749330
3000
meg kellett tudnom, hogy hogy alakult ki.
12:32
We're treating cancer almost like it's an infectious disease.
300
752330
4000
Majdhogynem úgy kezeljük a rákot, mintha ragályos betegség lenne.
12:36
We're treating it as something that got inside of you
301
756330
2000
Úgy kezeljük, mintha kivülről került volna a szervezetbe,
12:38
that we have to kill.
302
758330
2000
és meg kellene semmisítenünk.
12:40
So this is the great paradigm.
303
760330
2000
Ez tehát a nagyszerű paradigma.
12:42
This is another case
304
762330
2000
Egy másik eset,
12:44
where a theoretical paradigm in biology really worked --
305
764330
2000
melyben a biológia egy elméleti paradigmája tényleg működött --
12:46
was the germ theory of disease.
306
766330
3000
a betegségek bacilus-elmélete volt.
12:49
So what doctors are mostly trained to do
307
769330
2000
Az orvosokat jobbára arra képesítik,
12:51
is diagnose --
308
771330
2000
hogy diagnosztizáljanak --
12:53
that is, put you into a category
309
773330
2000
vagyis arra, hogy beskatulyázzanak --
12:55
and apply a scientifically proven treatment
310
775330
2000
és tudományosan bevált módszerekkel
12:57
for that diagnosis --
311
777330
2000
kezeljék ezt a diagnózist.
12:59
and that works great for infectious diseases.
312
779330
3000
Ez márpedig remekül működik a fertőző betegségek esetén.
13:02
So if we put you in the category
313
782330
2000
Amennyiben tehát besoroljuk egy kategóriába,
13:04
of you've got syphilis, we can give you penicillin.
314
784330
3000
például, hogy szifiliszes, adhatunk penicillint.
13:07
We know that that works.
315
787330
2000
Tudjuk, hogy az hatni fog.
13:09
If you've got malaria, we give you quinine
316
789330
2000
Ha maláriás a beteg, kinint adunk,
13:11
or some derivative of it.
317
791330
2000
vagy annak valamilyen származékát.
13:13
And so that's the basic thing doctors are trained to do,
318
793330
3000
Ez a legalapvetőbb dolog, amire az orvosokat felkészítették.
13:16
and it's miraculous
319
796330
2000
Fertőző betegségek esetén
13:18
in the case of infectious disease --
320
798330
3000
csodálatosan működik --
13:21
how well it works.
321
801330
2000
de még mennyire jól!
13:23
And many people in this audience probably wouldn't be alive
322
803330
3000
A közönség tagjai közül sokan valószínűleg nem is lennének
13:26
if doctors didn't do this.
323
806330
2000
közöttünk, ha az orvosok ezt nem tennék.
13:28
But now let's apply that
324
808330
2000
De térjünk át a rendszer megbetegedésekre,
13:30
to systems diseases like cancer.
325
810330
2000
mint amilyen a rák.
13:32
The problem is that, in cancer,
326
812330
2000
A rák esetében az a gond,
13:34
there isn't something else
327
814330
2000
hogy a rákon kívül
13:36
that's inside of you.
328
816330
2000
más nem került be a szervezetbe.
13:38
It's you; you're broken.
329
818330
2000
Csak a beteg van, megtörve.
13:40
That conversation inside of you
330
820330
4000
A szervezetben zajló beszélgetés
13:44
got mixed up in some way.
331
824330
2000
valahogy összezavarodott.
13:46
So how do we diagnose that conversation?
332
826330
2000
Hogyan diagnosztizáljuk ezt a beszélgetést?
13:48
Well, right now what we do is we divide it by part of the body --
333
828330
3000
Először is testrészekhez rendelten vizsgáljuk--
13:51
you know, where did it appear? --
334
831330
3000
vagyis, hogy mely testrészben jelentkezett --
13:54
and we put you in different categories
335
834330
2000
És e testrészek szerint
13:56
according to the part of the body.
336
836330
2000
kategorizáljuk be a betegeket.
13:58
And then we do a clinical trial
337
838330
2000
Azután elvégezzük a tüdőrák,
14:00
for a drug for lung cancer
338
840330
2000
a prosztata-rák és a mellrák
14:02
and one for prostate cancer and one for breast cancer,
339
842330
3000
gyógyszerének klinikai kísérletét
14:05
and we treat these as if they're separate diseases
340
845330
3000
oly módon, hogy különálló betegségekként kezeljük őket.
14:08
and that this way of dividing them
341
848330
2000
Azonban ha ily módon különböző betegségekként kezeljük őket,
14:10
had something to do with what actually went wrong.
342
850330
2000
úgy teszünk, mintha a megkülönböztetésükkel
14:12
And of course, it really doesn't have that much to do
343
852330
2000
közelebb jutnánk ahhoz, hogy mi a gond.
14:14
with what went wrong
344
854330
2000
De természetesen nem sok köze van ahhoz, hogy mi a gond.
14:16
because cancer is a failure of the system.
345
856330
3000
Hiszen a rák a rendszer meghibásodása.
14:19
And in fact, I think we're even wrong
346
859330
2000
Valójában azt gondolom, hogy a rákról
14:21
when we talk about cancer as a thing.
347
861330
3000
egyáltalán nem is mint "dologról" kell beszélnünk.
14:24
I think this is the big mistake.
348
864330
2000
Azt hiszem, ebben áll a nagy tévedésünk.
14:26
I think cancer should not be a noun.
349
866330
4000
Úgy vélem, a rákot nem is főnévként kell használni.
14:30
We should talk about cancering
350
870330
2000
"Rákolásról" kellene beszélnünk,
14:32
as something we do, not something we have.
351
872330
3000
olyasvalamiről, amit mi csinálunk, nem olyasvalamiről, amit birtoklunk.
14:35
And so those tumors,
352
875330
2000
A tumorok tehát
14:37
those are symptoms of cancer.
353
877330
2000
a rák tünetei.
14:39
And so your body is probably cancering all the time,
354
879330
3000
A szervezetünk valószínűleg minduntalan "rákol."
14:42
but there are lots of systems in your body
355
882330
3000
De több rendszer is van a szervezetben,
14:45
that keep it under control.
356
885330
2000
amely kordában tartja a rákot.
14:47
And so to give you an idea
357
887330
2000
Mondok egy hasonlatot
14:49
of an analogy of what I mean
358
889330
2000
csak hogy érthetőbb legyen, miről beszélek,
14:51
by thinking of cancering as a verb,
359
891330
3000
amikor azt mondom, hogy a rák ige.
14:54
imagine we didn't know anything about plumbing,
360
894330
3000
Képzeljék el, hogy nem tudunk semmit a vízvezetékszerelésről,
14:57
and the way that we talked about it,
361
897330
2000
és pont, amikor szóba jön a témája,
14:59
we'd come home and we'd find a leak in our kitchen
362
899330
3000
és hazaérünk, látjuk, hogy beázott a konyha,
15:02
and we'd say, "Oh, my house has water."
363
902330
4000
és felkiáltunk, hogy "Jaj, víz van a házban."
15:06
We might divide it -- the plumber would say, "Well, where's the water?"
364
906330
3000
Két nézőpontot különböztethetünk itt meg: a vízvezeték szerelő azt kérdezné: "hol a víz?"
15:09
"Well, it's in the kitchen." "Oh, you must have kitchen water."
365
909330
3000
"A konyhában". "Jó, akkor a konyhában szerelünk".
15:12
That's kind of the level at which it is.
366
912330
3000
Szóval ilyen szinten vagyunk.
15:15
"Kitchen water,
367
915330
2000
"Hogy szerelünk?"
15:17
well, first of all, we'll go in there and we'll mop out a lot of it.
368
917330
2000
Igen, először feltöröljük a nagyját.
15:19
And then we know that if we sprinkle Drano around the kitchen,
369
919330
3000
Tudhatjuk, hogy ha Draino-t permetezünk a lefolyóba,
15:22
that helps.
370
922330
3000
az is segít.
15:25
Whereas living room water,
371
925330
2000
Ezzel szemben ha a nagyszoba ázik be,
15:27
it's better to do tar on the roof."
372
927330
2000
jobban járunk, ha a tetőfedéssel kezdjük.
15:29
And it sounds silly,
373
929330
2000
Ostobán hangzik,
15:31
but that's basically what we do.
374
931330
2000
de alapjában véve ilyenek vagyunk.
15:33
And I'm not saying you shouldn't mop up your water if you have cancer,
375
933330
3000
Nem azt mondom, hogy mulasszunk el valamit, ami itt a víz feltörlése, ha rákról van szó.
15:36
but I'm saying that's not really the problem;
376
936330
3000
Azt mondom, hogy nem ez a valódi probléma;
15:39
that's the symptom of the problem.
377
939330
2000
ez a problémának a tünete.
15:41
What we really need to get at
378
941330
2000
Ahova valóban el kell jutnunk,
15:43
is the process that's going on,
379
943330
2000
az a folyamat megértése,
15:45
and that's happening at the level
380
945330
2000
az pedig a proteomikus mozzanatok
15:47
of the proteonomic actions,
381
947330
2000
szintjén történik,
15:49
happening at the level of why is your body not healing itself
382
949330
3000
az a kérdés, hogy miért nem indulnak
15:52
in the way that it normally does?
383
952330
2000
be a szervezet öngyógyító folyamatai, ahogy máskor?
15:54
Because normally, your body is dealing with this problem all the time.
384
954330
3000
Hiszen máskor a szervezetünk folyton megküzd ezzel a problémával.
15:57
So your house is dealing with leaks all the time,
385
957330
3000
A lakásban mindig vannak szivárgások.
16:00
but it's fixing them. It's draining them out and so on.
386
960330
4000
De nem mindig okoznak gondot. A víz elfolyik a lefolyóba, stb.
16:04
So what we need
387
964330
3000
Amire tehát szükségünk van,
16:07
is to have a causative model
388
967330
4000
az egy okozati modell,
16:11
of what's actually going on,
389
971330
2000
mely mutatja, hogy mi is történik.
16:13
and proteomics actually gives us
390
973330
3000
A proteomika pedig lehetőséget
16:16
the ability to build a model like that.
391
976330
3000
biztosít számunkra egy ilyen modell felállításához.
16:19
David got me invited
392
979330
2000
David meghívott, hogy tartsak egy előadást
16:21
to give a talk at National Cancer Institute
393
981330
2000
a Nemzeti Rák Intézetben,
16:23
and Anna Barker was there.
394
983330
3000
és ott volt Anna Barker is.
16:27
And so I gave this talk
395
987330
2000
Amikor az előadás során ott tartottam,
16:29
and said, "Why don't you guys do this?"
396
989330
3000
hogy "Gyerekek, Miért nem vágtok ebbe bele?",
16:32
And Anna said,
397
992330
2000
Anna azt mondta:
16:34
"Because nobody within cancer
398
994330
3000
"Mert senki nem fogja
16:37
would look at it this way.
399
997330
2000
a rákot így megközelíteni.
16:39
But what we're going to do, is we're going to create a program
400
999330
3000
Viszont azt megtehetjük, hogy létrehozunk
16:42
for people outside the field of cancer
401
1002330
2000
egy programot a rákkutatás területén kívül állók
16:44
to get together with doctors
402
1004330
2000
számára, hogy üljenek össze olyan orvosokkal,
16:46
who really know about cancer
403
1006330
3000
akik tényleg szakértők a témában
16:49
and work out different programs of research."
404
1009330
4000
és dolgozzanak ki különböző programterveket."
16:53
So David and I applied to this program
405
1013330
2000
Így aztán Daviddal jelentkeztünk erre a programra,
16:55
and created a consortium
406
1015330
2000
és konzorciumot hoztunk létre
16:57
at USC
407
1017330
2000
az USC-n,
16:59
where we've got some of the best oncologists in the world
408
1019330
3000
ahol a Cold Spring Harbortól
17:02
and some of the best biologists in the world,
409
1022330
3000
a Stanfordon át Austinig -
17:05
from Cold Spring Harbor,
410
1025330
2000
most nem sorolom fel a többi neves helyet,
17:07
Stanford, Austin --
411
1027330
2000
a világ legjobb onkológusai dolgoznak,
17:09
I won't even go through and name all the places --
412
1029330
3000
a világ néhány legjobb biológusáról nem is beszélve,
17:12
to have a research project
413
1032330
3000
hogy öt évre szóló
17:15
that will last for five years
414
1035330
2000
kutatási projektet dolgozzunk ki,
17:17
where we're really going to try to build a model of cancer like this.
415
1037330
3000
és megkíséreljük a ráknak egy ilyen modelljét felépíteni.
17:20
We're doing it in mice first,
416
1040330
2000
Először egerekkel kísérletezünk.
17:22
and we will kill a lot of mice
417
1042330
2000
Sok egeret meg fogunk ölni
17:24
in the process of doing this,
418
1044330
2000
a kísérlet során,
17:26
but they will die for a good cause.
419
1046330
2000
de haláluk nemes célt fog szolgálni.
17:28
And we will actually try to get to the point
420
1048330
3000
Kilátásba helyezzük,
17:31
where we have a predictive model
421
1051330
2000
hogy a jövőben lesz egy olyan modell,
17:33
where we can understand,
422
1053330
2000
ami alapján megérthetjük,
17:35
when cancer happens,
423
1055330
2000
mikor lesz az ember rákos,
17:37
what's actually happening in there
424
1057330
2000
mi is történik ilyenkor valójában,
17:39
and which treatment will treat that cancer.
425
1059330
3000
és mely kezelés szükséges.
17:42
So let me just end with giving you a little picture
426
1062330
3000
Hadd fejezzem be egy képpel,
17:45
of what I think cancer treatment will be like in the future.
427
1065330
3000
ami bemutatja, hogy véleményem szerint hogy fog kinézni a jövő rákkezelése.
17:48
So I think eventually,
428
1068330
2000
Végül azt gondolom,
17:50
once we have one of these models for people,
429
1070330
2000
ha birtokában lennénk egy ilyen modellnek,
17:52
which we'll get eventually --
430
1072330
2000
ami meg fog történni --
17:54
I mean, our group won't get all the way there --
431
1074330
2000
vagyis a csapatunk talán nem jut el odáig --
17:56
but eventually we'll have a very good computer model --
432
1076330
3000
de lesz egy nagyon jó számítógépes modellünk --
17:59
sort of like a global climate model for weather.
433
1079330
3000
valami olyasmi, mint a globális klíma-modell az időjárás terén.
18:02
It has lots of different information
434
1082330
3000
Különféle információval szolgál
18:05
about what's the process going on in this proteomic conversation
435
1085330
3000
több különböző skálán
18:08
on many different scales.
436
1088330
2000
arról, milyen folyamatok zajlanak a proteomikus párbeszédkor.
18:10
And so we will simulate
437
1090330
2000
Mi pedig szimulálni fogunk
18:12
in that model
438
1092330
2000
ezzel a modellel
18:14
for your particular cancer --
439
1094330
3000
az adott rákfajtájának megfelelően --
18:17
and this also will be for ALS,
440
1097330
2000
az ALS-re és bármelyik idegrendszeri
18:19
or any kind of system neurodegenerative diseases,
441
1099330
3000
megbetegedésre is alkalmazható lesz.
18:22
things like that --
442
1102330
2000
Ily módon,
18:24
we will simulate
443
1104330
2000
személyre szabottan
18:26
specifically you,
444
1106330
2000
szimuláljuk majd,
18:28
not just a generic person,
445
1108330
2000
nem egy általánosságban vett személyre,
18:30
but what's actually going on inside you.
446
1110330
2000
hanem azt nézzük, hogy az adott egyénben épp mi zajlik.
18:32
And in that simulation, what we could do
447
1112330
2000
Amit meg tudtunk tenni a szimuláció során,
18:34
is design for you specifically
448
1114330
2000
az az, hogy személyre szabott kezelések sorát
18:36
a sequence of treatments,
449
1116330
2000
tervezzük meg,
18:38
and it might be very gentle treatments, very small amounts of drugs.
450
1118330
3000
és ezek lehetnek nagyon finom kezelések, nagyon kis adag gyógyszerekkel.
18:41
It might be things like, don't eat that day,
451
1121330
3000
Előfordulhat, hogy azt mondjuk valakinek, hogy kimondottan aznap ne egyen ezt vagy azt,
18:44
or give them a little chemotherapy,
452
1124330
2000
vagy adunk egy kis kemoterápiát,
18:46
maybe a little radiation.
453
1126330
2000
talán egy kis sugárkezelést.
18:48
Of course, we'll do surgery sometimes and so on.
454
1128330
3000
Persze fogunk műtéteket is végrehajtani néha stb.
18:51
But design a program of treatments specifically for you
455
1131330
3000
A lényeg, hogy személyre szabottan tervezzük a kezelési programot,
18:54
and help your body
456
1134330
3000
és segítjük a szervezetet
18:57
guide back to health --
457
1137330
3000
visszaterelni az egészség útjára,
19:00
guide your body back to health.
458
1140330
2000
visszatereljük az egészség felé.
19:02
Because your body will do most of the work of fixing it
459
1142330
4000
Hiszen a szervezet úgyis meg fogja tenni a maga gyógyító folyamatát,
19:06
if we just sort of prop it up in the ways that are wrong.
460
1146330
3000
elég lesz, ha rossz irányból bombázzuk.
19:09
We put it in the equivalent of splints.
461
1149330
2000
Olyankor sínbe tesszük - képletesen.
19:11
And so your body basically has lots and lots of mechanisms
462
1151330
2000
A szervezetnek tulajdonképpen nagyon nagyon sok mechanizmus van
19:13
for fixing cancer,
463
1153330
2000
a rák gyógyítására,
19:15
and we just have to prop those up in the right way
464
1155330
3000
nekünk csak a jó irányba kell ezeket terelnünk,
19:18
and get them to do the job.
465
1158330
2000
onnantól már tudják, mi a dolguk.
19:20
And so I believe that this will be the way
466
1160330
2000
Azt gondolom, ez lesz a
19:22
that cancer will be treated in the future.
467
1162330
2000
jövő rákgyógyítási módja.
19:24
It's going to require a lot of work,
468
1164330
2000
Fáradságos munkát fog igényelni,
19:26
a lot of research.
469
1166330
2000
sok kutatást.
19:28
There will be many teams like our team
470
1168330
3000
Sok, a miénkhez hasonló csapat fog
19:31
that work on this.
471
1171330
2000
alakulni, hogy ezen dolgozzon.
19:33
But I think eventually,
472
1173330
2000
De végül is azt gondolom,
19:35
we will design for everybody
473
1175330
2000
hogy mindenki számára elérhető lesz egy
19:37
a custom treatment for cancer.
474
1177330
4000
személyre szóló rákkezelési program.
19:41
So thank you very much.
475
1181330
2000
Köszönöm szépen.
19:43
(Applause)
476
1183330
6000
(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