How to read the genome and build a human being | Riccardo Sabatini

318,374 views ・ 2016-05-24

TED


Fare doppio clic sui sottotitoli in inglese per riprodurre il video.

Traduttore: Elena Balloch Revisore: Michele Gianella
00:12
For the next 16 minutes, I'm going to take you on a journey
0
12612
2762
Nei prossimi 16 minuti, vi condurrò in un viaggio
00:15
that is probably the biggest dream of humanity:
1
15398
3086
che è probabilmente il più grande sogno dell'umanità:
00:18
to understand the code of life.
2
18508
2015
comprendere il codice della vita.
Per me tutto iniziò molti anni fa,
00:21
So for me, everything started many, many years ago
3
21072
2743
00:23
when I met the first 3D printer.
4
23839
2723
quando incontrai la prima stampante 3D.
00:26
The concept was fascinating.
5
26586
1674
Il concetto era affascinante.
00:28
A 3D printer needs three elements:
6
28284
2022
A una stampante 3D bastano tre elementi
00:30
a bit of information, some raw material, some energy,
7
30330
4134
- un po' di informazione, un po' di materia prima e un po' di energia -
00:34
and it can produce any object that was not there before.
8
34488
3334
per creare qualsiasi oggetto prima inesistente.
00:38
I was doing physics, I was coming back home
9
38517
2137
Studiavo fisica, e mentre tornavo a casa
00:40
and I realized that I actually always knew a 3D printer.
10
40678
3438
mi resi conto che in realtà avevo sempre conosciuto una stampante 3D.
00:44
And everyone does.
11
44140
1336
Tutti la conoscono.
00:45
It was my mom.
12
45500
1158
Era mia mamma.
00:46
(Laughter)
13
46682
1001
(Risate)
00:47
My mom takes three elements:
14
47707
2414
Mia mamma ha usato tre elementi:
00:50
a bit of information, which is between my father and my mom in this case,
15
50145
3973
un po' di informazione, in questo caso sia sua che di mio padre,
00:54
raw elements and energy in the same media, that is food,
16
54142
4157
materia prima ed energia nello stesso supporto, cioè cibo,
00:58
and after several months, produces me.
17
58323
2508
e dopo qualche mese produce me.
01:00
And I was not existent before.
18
60855
1812
Che non esistevo prima.
01:02
So apart from the shock of my mom discovering that she was a 3D printer,
19
62691
3762
Quindi al di là dello shock di mia madre
quando ha scoperto di essere una stampante 3D,
01:06
I immediately got mesmerized by that piece,
20
66477
4738
sono stato catturato fin da subito dal primo elemento,
01:11
the first one, the information.
21
71239
1717
01:12
What amount of information does it take
22
72980
2251
l'informazione.
Quanta informazione serve per creare e assemblare un essere umano?
01:15
to build and assemble a human?
23
75255
1936
01:17
Is it much? Is it little?
24
77215
1574
Ne serve tanta? Ne basta poca?
01:18
How many thumb drives can you fill?
25
78813
2180
Quante chiavette USB potremmo riempire?
01:21
Well, I was studying physics at the beginning
26
81017
2624
All'inizio delle ricerca stavo ancora studiando fisica
01:23
and I took this approximation of a human as a gigantic Lego piece.
27
83665
5597
e ho approssimato un essere umano a un gigantesco pezzo di Lego.
01:29
So, imagine that the building blocks are little atoms
28
89286
3785
Immaginate che i mattoni da costruzione siano piccoli atomi:
un idrogeno qui, un carbonio qui, un azoto qui.
01:33
and there is a hydrogen here, a carbon here, a nitrogen here.
29
93095
4653
01:37
So in the first approximation,
30
97772
1571
Come prima approssimazione,
01:39
if I can list the number of atoms that compose a human being,
31
99367
4343
se riesco ad elencare il numero di atomi che compongono un essere umano,
01:43
I can build it.
32
103734
1387
lo posso costruire.
01:45
Now, you can run some numbers
33
105145
2029
Se fate due conti,
01:47
and that happens to be quite an astonishing number.
34
107198
3277
il numero che viene fuori è strabiliante.
01:50
So the number of atoms,
35
110499
2757
Il numero di atomi,
il file che salverò sulla penna USB per assemblare un bebè,
01:53
the file that I will save in my thumb drive to assemble a little baby,
36
113280
4755
01:58
will actually fill an entire Titanic of thumb drives --
37
118059
4667
riempirebbe un intero Titanic di chiavette --
02:02
multiplied 2,000 times.
38
122750
2718
moltiplicato per 2.000.
02:05
This is the miracle of life.
39
125957
3401
Questo è il miracolo della vita.
02:09
Every time you see from now on a pregnant lady,
40
129382
2612
D'ora in poi, davanti a una donna incinta, notatelo:
02:12
she's assembling the biggest amount of information
41
132018
2856
sta assemblando la più grande mole di dati
02:14
that you will ever encounter.
42
134898
1556
che abbiate mai incontrato.
02:16
Forget big data, forget anything you heard of.
43
136478
2950
Dimenticate i big data, e qualsiasi cosa abbiate mai sentito.
02:19
This is the biggest amount of information that exists.
44
139452
2881
È questa la più grande quantità di informazione che esista.
02:22
(Applause)
45
142357
3833
(Applausi)
02:26
But nature, fortunately, is much smarter than a young physicist,
46
146214
4644
Ma la natura, per fortuna,
è molto più intelligente di un giovane fisico,
02:30
and in four billion years, managed to pack this information
47
150882
3576
e in 4 miliardi di anni è riuscita a concentrare questa informazione
02:34
in a small crystal we call DNA.
48
154482
2705
in un piccolo cristallo, che chiamiamo DNA.
02:37
We met it for the first time in 1950 when Rosalind Franklin,
49
157605
4312
L'abbiamo visto per la prima volta nel 1950, quando Rosalind Franklin,
02:41
an amazing scientist, a woman,
50
161941
1556
una brillante scienziata, lo fotografò.
02:43
took a picture of it.
51
163521
1389
02:44
But it took us more than 40 years to finally poke inside a human cell,
52
164934
5188
Ma abbiamo impiegato più di 40 anni
per poter finalmente curiosare dentro una cellula umana,
estrarre il cristallo, srotolarlo e leggerlo per la prima volta.
02:50
take out this crystal,
53
170146
1602
02:51
unroll it, and read it for the first time.
54
171772
3080
02:55
The code comes out to be a fairly simple alphabet,
55
175615
3241
Il codice si è rivelato un alfabeto piuttosto semplice,
02:58
four letters: A, T, C and G.
56
178880
3772
composto da quattro lettere: A, T, C e G.
03:02
And to build a human, you need three billion of them.
57
182676
3490
Per costruire un essere umano, ne servono tre miliardi.
03:06
Three billion.
58
186933
1179
Tre miliardi.
Quanti sono tre miliardi?
03:08
How many are three billion?
59
188136
1579
03:09
It doesn't really make any sense as a number, right?
60
189739
2762
Non ha alcun senso come numero, vero?
03:12
So I was thinking how I could explain myself better
61
192525
4085
Stavo pensando a un modo di comunicare meglio,
03:16
about how big and enormous this code is.
62
196634
3050
di farvi capire quando enorme sia questo codice.
03:19
But there is -- I mean, I'm going to have some help,
63
199708
3054
Ma c'è un modo -- capiamoci, mi servirà un po' di aiuto,
03:22
and the best person to help me introduce the code
64
202786
3227
e la persona perfetta per aiutarmi a presentarvi il codice
è il primo uomo che l'ha sequenziato, Dr. Craig Venter.
03:26
is actually the first man to sequence it, Dr. Craig Venter.
65
206037
3522
03:29
So welcome onstage, Dr. Craig Venter.
66
209583
3390
Benvenuto sul palco, Dr. Craig Venter.
03:32
(Applause)
67
212997
6931
(Applausi)
03:39
Not the man in the flesh,
68
219952
2256
Non l'uomo in carne e ossa:
03:43
but for the first time in history,
69
223448
2345
per la prima volta nella storia,
03:45
this is the genome of a specific human,
70
225817
3462
questo è il genoma di uno specifico uomo,
03:49
printed page-by-page, letter-by-letter:
71
229303
3760
stampato pagina per pagina, lettera per lettera:
262.000 pagine di informazioni,
03:53
262,000 pages of information,
72
233087
3996
450 chili, spediti dagli Stati Uniti al Canada
03:57
450 kilograms, shipped from the United States to Canada
73
237107
4364
04:01
thanks to Bruno Bowden, Lulu.com, a start-up, did everything.
74
241495
4843
grazie a Bruno Bowden, Lulu.com, una start-up, che ha fatto tutto.
È stata un'impresa incredibile.
04:06
It was an amazing feat.
75
246362
1463
04:07
But this is the visual perception of what is the code of life.
76
247849
4297
Ma questa è la percezione visiva di ciò che è il codice della vita.
Ora, per la prima volta, posso fare una cosa divertente:
04:12
And now, for the first time, I can do something fun.
77
252170
2478
04:14
I can actually poke inside it and read.
78
254672
2547
curiosarci dentro e leggerlo.
04:17
So let me take an interesting book ... like this one.
79
257243
4625
Prendiamo un libro interessante... questo, per esempio.
04:25
I have an annotation; it's a fairly big book.
80
265077
2534
Ho messo una nota: è un libro piuttosto grande.
04:27
So just to let you see what is the code of life.
81
267635
3727
Ma è per farvi vedere cos'è il codice della vita:
migliaia e migliaia e migliaia
04:32
Thousands and thousands and thousands
82
272566
3391
04:35
and millions of letters.
83
275981
2670
e milioni di lettere.
04:38
And they apparently make sense.
84
278675
2396
Che all'apparenza non hanno alcun senso.
Andiamo a un punto specifico.
04:41
Let's get to a specific part.
85
281095
1757
04:43
Let me read it to you:
86
283571
1362
Ve la leggo:
04:44
(Laughter)
87
284957
1021
(Risate)
"AAG, AAT, ATA."
04:46
"AAG, AAT, ATA."
88
286002
4006
04:50
To you it sounds like mute letters,
89
290965
2067
Per voi queste lettere non hanno alcun senso,
04:53
but this sequence gives the color of the eyes to Craig.
90
293056
4041
ma questa sequenza dà a Craig il colore degli occhi.
04:57
I'll show you another part of the book.
91
297633
1932
Vi mostrerò un'altra parte del libro.
04:59
This is actually a little more complicated.
92
299589
2094
Questo è un po' più complicato, in realtà.
05:02
Chromosome 14, book 132:
93
302983
2647
Cromosoma 14, libro 132:
05:05
(Laughter)
94
305654
2090
(Risate)
05:07
As you might expect.
95
307768
1277
Come forse vi aspettavate.
05:09
(Laughter)
96
309069
3466
(Risate)
05:14
"ATT, CTT, GATT."
97
314857
4507
"ATT, CTT, GATT."
05:20
This human is lucky,
98
320329
1687
Questo essere umano è fortunato,
perché se mancassero solo due lettere, in questo punto --
05:22
because if you miss just two letters in this position --
99
322040
4517
05:26
two letters of our three billion --
100
326581
1877
due lettere su tre miliardi --
05:28
he will be condemned to a terrible disease:
101
328482
2019
sarebbe condannato ad una terribile malattia:
05:30
cystic fibrosis.
102
330525
1440
fibrosi cistica.
05:31
We have no cure for it, we don't know how to solve it,
103
331989
3413
Non esiste una cura, non sappiamo come curarla,
05:35
and it's just two letters of difference from what we are.
104
335426
3755
e bastano due lettere a fare tutta la differenza.
05:39
A wonderful book, a mighty book,
105
339585
2705
Un libro bellissimo, potente,
05:43
a mighty book that helped me understand
106
343115
1998
che mi ha aiutato a capire e mostrarvi qualcosa di notevole.
05:45
and show you something quite remarkable.
107
345137
2753
05:48
Every one of you -- what makes me, me and you, you --
108
348480
4435
Le lettere che identificano me, e ognuno di voi,
05:52
is just about five million of these,
109
352939
2954
sono solo 5 milioni circa,
05:55
half a book.
110
355917
1228
mezzo libro.
Per il resto,
05:58
For the rest,
111
358015
1663
05:59
we are all absolutely identical.
112
359702
2562
siamo tutti assolutamente identici.
500 pagine è il miracolo della vita che solo voi siete.
06:03
Five hundred pages is the miracle of life that you are.
113
363008
4018
Il resto lo condividiamo tutti.
06:07
The rest, we all share it.
114
367050
2531
06:09
So think about that again when we think that we are different.
115
369605
2909
Ripensateci, quando credete di essere tanto speciali.
06:12
This is the amount that we share.
116
372538
2221
Questo è quanto abbiamo in comune.
06:15
So now that I have your attention,
117
375441
3429
Adesso che ho la vostra attenzione,
06:18
the next question is:
118
378894
1359
la prossima domanda è:
06:20
How do I read it?
119
380277
1151
come lo leggo?
06:21
How do I make sense out of it?
120
381452
1509
Come lo comprendo?
06:23
Well, for however good you can be at assembling Swedish furniture,
121
383409
4240
Per quanto bravi possiate essere a montare mobili svedesi,
06:27
this instruction manual is nothing you can crack in your life.
122
387673
3563
questo libretto delle istruzioni è fuori dalla vostra portata.
06:31
(Laughter)
123
391260
1603
(Risate)
06:32
And so, in 2014, two famous TEDsters,
124
392887
3112
Quindi nel 2014, due famosi TEDster,
Peter Diamandis e lo stesso Craig Venter,
06:36
Peter Diamandis and Craig Venter himself,
125
396023
2540
06:38
decided to assemble a new company.
126
398587
1927
decisero di creare una nuova azienda.
06:40
Human Longevity was born,
127
400538
1412
Nacque Human Longevity, con una missione:
06:41
with one mission:
128
401974
1370
fare tutto il possibile
06:43
trying everything we can try
129
403368
1861
06:45
and learning everything we can learn from these books,
130
405253
2759
e imparare il massimo possibile da questi libri,
con un obiettivo --
06:48
with one target --
131
408036
1705
06:50
making real the dream of personalized medicine,
132
410862
2801
realizzare il sogno della medicina personalizzata,
06:53
understanding what things should be done to have better health
133
413687
3767
capire cosa bisognerebbe fare per migliorare la salute
06:57
and what are the secrets in these books.
134
417478
2283
e quali sono i segreti di questi libri.
07:00
An amazing team, 40 data scientists and many, many more people,
135
420329
4250
Un'incredibile squadra, 40 analisti dei dati e molte altre persone
07:04
a pleasure to work with.
136
424603
1350
con cui è bello lavorare.
07:05
The concept is actually very simple.
137
425977
2253
Il concetto è, in realtà, molto semplice.
Useremo una tecnologia chiamata apprendimento automatico.
07:08
We're going to use a technology called machine learning.
138
428254
3158
07:11
On one side, we have genomes -- thousands of them.
139
431436
4539
Da un lato ci sono i genomi -- a migliaia.
07:15
On the other side, we collected the biggest database of human beings:
140
435999
3997
Dall'altro abbiamo collezionato il più grande database di esseri umani:
fenotipi, scansione 3D, NMR -- tutto ciò che vi viene in mente.
07:20
phenotypes, 3D scan, NMR -- everything you can think of.
141
440020
4296
07:24
Inside there, on these two opposite sides,
142
444340
2899
Lì dentro, ai due estremi,
07:27
there is the secret of translation.
143
447263
2442
c'è il segreto della traduzione.
07:29
And in the middle, we build a machine.
144
449729
2472
Nel mezzo costruiamo la macchina.
07:32
We build a machine and we train a machine --
145
452801
2385
Costruiamo una macchina e alleniamo la macchina
07:35
well, not exactly one machine, many, many machines --
146
455210
3210
- beh, non proprio una: molte, molte macchine -
07:38
to try to understand and translate the genome in a phenotype.
147
458444
4544
per capire e tradurre il genoma in un fenotipo.
07:43
What are those letters, and what do they do?
148
463362
3340
Cosa sono quelle lettere, e cosa fanno.
07:46
It's an approach that can be used for everything,
149
466726
2747
È un metodo che può essere usato per qualsiasi cosa,
07:49
but using it in genomics is particularly complicated.
150
469497
2993
ma applicarlo alla genomica è particolarmente complicato.
07:52
Little by little we grew and we wanted to build different challenges.
151
472514
3276
Piano piano siamo cresciuti e cercavamo altre sfide.
07:55
We started from the beginning, from common traits.
152
475814
2732
Abbiamo cominciato dalle basi, dai tratti comuni.
07:58
Common traits are comfortable because they are common,
153
478570
2603
I tratti comuni sono semplici perché sono comuni,
tutti li hanno.
08:01
everyone has them.
154
481197
1184
08:02
So we started to ask our questions:
155
482405
2494
Quindi abbiamo iniziato a porci un po' di domande:
08:04
Can we predict height?
156
484923
1380
possiamo predire l'altezza?
08:06
Can we read the books and predict your height?
157
486985
2177
Possiamo leggere quei libri e predire l'altezza?
08:09
Well, we actually can,
158
489186
1151
In effetti si,
08:10
with five centimeters of precision.
159
490361
1793
con un margine di precisione di 5 centimetri.
08:12
BMI is fairly connected to your lifestyle,
160
492178
3135
L'IMC è abbastanza collegato allo stile di vita,
08:15
but we still can, we get in the ballpark, eight kilograms of precision.
161
495337
3864
ma ce la facciamo ancora, ci siamo vicini con un margine di errore di 8 chili.
Il colore degli occhi?
08:19
Can we predict eye color?
162
499225
1231
08:20
Yeah, we can.
163
500480
1158
Sì, possiamo prevederlo. Con una precisione dell'80%.
08:21
Eighty percent accuracy.
164
501662
1324
08:23
Can we predict skin color?
165
503466
1858
Possiamo predire il colore della pelle?
08:25
Yeah we can, 80 percent accuracy.
166
505348
2441
Sì, possiamo, con una precisione dell'80%.
08:27
Can we predict age?
167
507813
1340
Possiamo predire l'età?
Si, perché sembra che il codice cambi nel corso della vita.
08:30
We can, because apparently, the code changes during your life.
168
510121
3739
08:33
It gets shorter, you lose pieces, it gets insertions.
169
513884
3282
Si accorcia, si perdono pezzi, compaiono delle aggiunte.
08:37
We read the signals, and we make a model.
170
517190
2555
Noi leggiamo i segnali e creiamo un modello.
08:40
Now, an interesting challenge:
171
520438
1475
E ora una sfida interessante:
08:41
Can we predict a human face?
172
521937
1729
possiamo prevedere un volto umano?
È un po' complicato,
08:45
It's a little complicated,
173
525014
1278
08:46
because a human face is scattered among millions of these letters.
174
526316
3191
perché un volto umano è disperso tra milioni di queste lettere.
08:49
And a human face is not a very well-defined object.
175
529531
2629
E un volto umano non è un oggetto ben definito.
Abbiamo dovuto quindi partire da zero
08:52
So, we had to build an entire tier of it
176
532184
2051
08:54
to learn and teach a machine what a face is,
177
534259
2710
per capire come insegnare alla macchina cos'è una faccia,
08:56
and embed and compress it.
178
536993
2037
e poi incorporare e compattare il codice.
Se conoscete un po' l'apprendimento automatico,
08:59
And if you're comfortable with machine learning,
179
539054
2248
09:01
you understand what the challenge is here.
180
541326
2284
potete immaginare che genere di sfida sia stata.
09:04
Now, after 15 years -- 15 years after we read the first sequence --
181
544108
5991
Adesso, dopo 15 anni -- 15 anni dalla lettura della prima sequenza --
a ottobre abbiamo iniziato a ricevere dei segnali.
09:10
this October, we started to see some signals.
182
550123
2902
È stato un momento emozionante.
09:13
And it was a very emotional moment.
183
553049
2455
09:15
What you see here is a subject coming in our lab.
184
555528
3745
Qui vedete un soggetto del nostro laboratorio.
09:19
This is a face for us.
185
559619
1928
Per noi questa è una faccia.
09:21
So we take the real face of a subject, we reduce the complexity,
186
561571
3631
Quindi prendiamo la vera faccia di un soggetto, riduciamo la complessità,
perché i geni non spiegano tutto:
09:25
because not everything is in your face --
187
565226
1970
molti tratti, difetti e asimmetrie derivano dalla vita.
09:27
lots of features and defects and asymmetries come from your life.
188
567220
3786
Rendiamo la faccia simmetrica e applichiamo il nostro algoritmo.
09:31
We symmetrize the face, and we run our algorithm.
189
571030
3469
Ora vi mostro i risultati:
09:35
The results that I show you right now,
190
575245
1898
questa è la previsione che otteniamo dal sangue.
09:37
this is the prediction we have from the blood.
191
577167
3372
09:41
(Applause)
192
581596
1524
(Applauso)
Aspettate un attimo.
09:43
Wait a second.
193
583144
1435
09:44
In these seconds, your eyes are watching, left and right, left and right,
194
584603
4692
In questo istante state guardando a sinistra e a destra, sinistra e destra,
e il vostro cervello cerca di convincersi che sono uguali.
09:49
and your brain wants those pictures to be identical.
195
589319
3930
Quindi ora vi chiederò di fare l'esercizio opposto:
09:53
So I ask you to do another exercise, to be honest.
196
593273
2446
09:55
Please search for the differences,
197
595743
2287
cercate le differenze,
che sono molte.
09:58
which are many.
198
598054
1361
09:59
The biggest amount of signal comes from gender,
199
599439
2603
La maggiore parte di segnali deriva dal genere,
10:02
then there is age, BMI, the ethnicity component of a human.
200
602066
5201
poi dall'età, dall'IMC, dall'etnia di un essere umano.
10:07
And scaling up over that signal is much more complicated.
201
607291
3711
E fare meglio di quel segnale
è molto più complicato.
Ma quello che potete vedere, nonostante le differenze,
10:11
But what you see here, even in the differences,
202
611026
3250
vi fa capire che siamo sulla strada giusta,
10:14
lets you understand that we are in the right ballpark,
203
614300
3595
10:17
that we are getting closer.
204
617919
1348
che ci stiamo avvicinando.
E già ci impressiona.
10:19
And it's already giving you some emotions.
205
619291
2349
10:21
This is another subject that comes in place,
206
621664
2703
Questo è un altro soggetto analizzato, e questa è una previsione.
10:24
and this is a prediction.
207
624391
1409
10:25
A little smaller face, we didn't get the complete cranial structure,
208
625824
4596
Il viso è un po' più piccolo,
non abbiamo individuato la completa struttura del cranio,
10:30
but still, it's in the ballpark.
209
630444
2651
ma comunque è una buona approssimazione.
10:33
This is a subject that comes in our lab,
210
633634
2224
Questo è un soggetto che viene al nostro laboratorio,
10:35
and this is the prediction.
211
635882
1443
e questa è la previsione.
10:38
So these people have never been seen in the training of the machine.
212
638056
4676
Queste persone non sono mai state viste durante la preparazione della macchina.
10:42
These are the so-called "held-out" set.
213
642756
2837
Sono le cosiddette serie escluse.
10:45
But these are people that you will probably never believe.
214
645617
3740
Ma probabilmente, non immaginereste mai chi sono.
Stiamo pubblicando tutto su una rivista scientifica,
10:49
We're publishing everything in a scientific publication,
215
649381
2676
che potrete leggere.
10:52
you can read it.
216
652081
1151
Ma dato che siamo sul palco, Chris mi ha sfidato.
10:53
But since we are onstage, Chris challenged me.
217
653256
2344
10:55
I probably exposed myself and tried to predict
218
655624
3626
Forse mi sono esposto nel cercare di fare una previsione
10:59
someone that you might recognize.
219
659274
2831
di una persona che potreste riconoscere.
11:02
So, in this vial of blood -- and believe me, you have no idea
220
662470
4425
In questa fialetta di sangue -- e credetemi, non avete idea
11:06
what we had to do to have this blood now, here --
221
666919
2880
di cosa abbiamo fatto per potervela mostrare --
11:09
in this vial of blood is the amount of biological information
222
669823
3901
in questa fialetta di sangue c'è sufficiente informazione biologica
11:13
that we need to do a full genome sequence.
223
673748
2277
per permetterci di elaborare un'intera sequenza genomica.
Ne basta davvero così poco.
11:16
We just need this amount.
224
676049
2070
11:18
We ran this sequence, and I'm going to do it with you.
225
678528
3205
Abbiamo eseguito la sequenza, e ora lo rifarò con voi.
11:21
And we start to layer up all the understanding we have.
226
681757
3979
Poi abbiamo iniziato ad accumulare tutta la conoscenza che avevamo.
11:25
In the vial of blood, we predicted he's a male.
227
685760
3350
Dalla fialetta di sangue, abbiamo previsto che fosse maschio.
11:29
And the subject is a male.
228
689134
1364
E il soggetto è un maschio.
11:30
We predict that he's a meter and 76 cm.
229
690996
2438
Abbiamo previsto che fosse alto 1m e 76 cm.
Il soggetto è alto 1m e 77cm.
11:33
The subject is a meter and 77 cm.
230
693458
2392
11:35
So, we predicted that he's 76; the subject is 82.
231
695874
4110
Abbiamo previsto che pesasse 76kg; il soggetto pesa 82kg.
11:40
We predict his age, 38.
232
700701
2632
Abbiamo previsto la sua età, 38. Il soggetto ha 35 anni.
11:43
The subject is 35.
233
703357
1904
11:45
We predict his eye color.
234
705851
2124
Abbiamo previsto il colore dei suoi occhi.
11:48
Too dark.
235
708824
1211
Troppo scuri.
Abbiamo previsto il colore della sua pelle:
11:50
We predict his skin color.
236
710059
1555
più o meno ci siamo.
11:52
We are almost there.
237
712026
1410
11:53
That's his face.
238
713899
1373
Quella è la sua faccia.
Adesso, la rivelazione:
11:57
Now, the reveal moment:
239
717172
3269
12:00
the subject is this person.
240
720465
1770
il soggetto è questa persona.
12:02
(Laughter)
241
722259
1935
(Risate)
12:04
And I did it intentionally.
242
724218
2058
L'ho fatto intenzionalmente.
12:06
I am a very particular and peculiar ethnicity.
243
726300
3692
Faccio parte di un'etnia molto particolare:
sudeuropea, italiani -- che non corrispondono mai ai modelli.
12:10
Southern European, Italians -- they never fit in models.
244
730016
2950
12:12
And it's particular -- that ethnicity is a complex corner case for our model.
245
732990
5130
È particolare -- questa etnia è un complesso caso limite
per il nostro modello. Ma c'è un altro motivo.
12:18
But there is another point.
246
738144
1509
12:19
So, one of the things that we use a lot to recognize people
247
739677
3477
Una delle cose su cui ci basiamo molto per riconoscere le persone
12:23
will never be written in the genome.
248
743178
1722
non sarà mai scritto nel genoma.
12:24
It's our free will, it's how I look.
249
744924
2317
È il nostro libero arbitrio, è il mio aspetto.
12:27
Not my haircut in this case, but my beard cut.
250
747265
3229
Non il mio taglio di capelli, in questo caso, ma quello della mia barba.
12:30
So I'm going to show you, I'm going to, in this case, transfer it --
251
750518
3553
Allora trasferirò, in questo caso --
solo con Photoshop, senza modelli 3D --
12:34
and this is nothing more than Photoshop, no modeling --
252
754095
2765
12:36
the beard on the subject.
253
756884
1713
la barba sul soggetto.
12:38
And immediately, we get much, much better in the feeling.
254
758621
3472
Ed immediatamente siamo molto molto più vicini.
12:42
So, why do we do this?
255
762955
2709
Perché facciamo tutto questo?
12:47
We certainly don't do it for predicting height
256
767938
5140
Di certo non lo facciamo per predire l'altezza
o scattare una bella foto dal nostro sangue.
12:53
or taking a beautiful picture out of your blood.
257
773102
2372
12:56
We do it because the same technology and the same approach,
258
776390
4018
Lo facciamo perché la stessa tecnologia e lo stesso approccio,
13:00
the machine learning of this code,
259
780432
2520
l'apprendimento automatico di questo codice,
13:02
is helping us to understand how we work,
260
782976
3137
ci sta aiutando a capire come funzioniamo,
come funziona il nostro corpo,
13:06
how your body works,
261
786137
1486
13:07
how your body ages,
262
787647
1665
come invecchia il nostro corpo,
13:09
how disease generates in your body,
263
789336
2769
come si generano le malattie,
come il cancro nasce e si sviluppa,
13:12
how your cancer grows and develops,
264
792129
2972
13:15
how drugs work
265
795125
1783
come funzionano i farmaci
13:16
and if they work on your body.
266
796932
2314
e se funzionano sul nostro corpo.
13:19
This is a huge challenge.
267
799713
1667
È una sfida immensa.
13:21
This is a challenge that we share
268
801894
1638
È una sfida che condividiamo
con centinaia di altri ricercatori nel mondo.
13:23
with thousands of other researchers around the world.
269
803556
2579
Si chiama medicina personalizzata.
13:26
It's called personalized medicine.
270
806159
2222
Ed è la capacità di passare da un approccio statistico,
13:29
It's the ability to move from a statistical approach
271
809125
3460
13:32
where you're a dot in the ocean,
272
812609
2032
dove siete un puntino nell'oceano,
13:34
to a personalized approach,
273
814665
1813
a un approccio personalizzato,
13:36
where we read all these books
274
816502
2185
in cui leggiamo tutti questi libri
13:38
and we get an understanding of exactly how you are.
275
818711
2864
e capiamo esattamente come siete.
Ma è una sfida particolarmente complicata,
13:42
But it is a particularly complicated challenge,
276
822260
3362
13:45
because of all these books, as of today,
277
825646
3998
perché di tutti questi libri, ad oggi,
13:49
we just know probably two percent:
278
829668
2642
conosciamo solo il 2% circa:
quattro libri su più di 175.
13:53
four books of more than 175.
279
833027
3653
13:58
And this is not the topic of my talk,
280
838021
3206
Questo non è l'argomento del mio talk,
perché impareremo più di questo.
14:02
because we will learn more.
281
842145
2598
14:05
There are the best minds in the world on this topic.
282
845378
2669
Le migliori menti al mondo stanno lavorando su questo argomento.
Le previsioni miglioreranno,
14:09
The prediction will get better,
283
849048
1834
14:10
the model will get more precise.
284
850906
2253
il modello sarà più preciso.
E più impareremo,
14:13
And the more we learn,
285
853183
1858
più dovremo confrontarci con decisioni
14:15
the more we will be confronted with decisions
286
855065
4830
14:19
that we never had to face before
287
859919
3021
mai affrontate prima
14:22
about life,
288
862964
1435
sulla vita, sulla morte, sull'essere genitori.
14:24
about death,
289
864423
1674
14:26
about parenting.
290
866121
1603
Quindi, questa conversazione --
14:32
So, we are touching the very inner detail on how life works.
291
872626
4746
stiamo indagando i meccanismi più profondi della vita.
Ed è una rivoluzione che non può essere limitata
14:38
And it's a revolution that cannot be confined
292
878118
3158
al campo della scienza o della tecnologia.
14:41
in the domain of science or technology.
293
881300
2659
14:44
This must be a global conversation.
294
884960
2244
Deve diventare una conversazione globale.
14:47
We must start to think of the future we're building as a humanity.
295
887798
5217
Dobbiamo pensare al futuro che stiamo costruendo come umanità.
Dobbiamo collaborare con i creativi, con gli artisti, con i filosofi,
14:53
We need to interact with creatives, with artists, with philosophers,
296
893039
4064
con i politici.
14:57
with politicians.
297
897127
1510
14:58
Everyone is involved,
298
898661
1158
Siamo tutti coinvolti, perché in ballo c'è il futuro della nostra specie.
14:59
because it's the future of our species.
299
899843
2825
Senza timori, ma con la consapevolezza
15:03
Without fear, but with the understanding
300
903273
3968
15:07
that the decisions that we make in the next year
301
907265
3871
che le decisioni che prenderemo nel prossimo anno
cambieranno il corso della storia per sempre.
15:11
will change the course of history forever.
302
911160
3789
15:15
Thank you.
303
915732
1160
Grazie.
15:16
(Applause)
304
916916
10159
(Applausi)
A proposito di questo sito web

Questo sito vi presenterà i video di YouTube utili per l'apprendimento dell'inglese. Vedrete lezioni di inglese tenute da insegnanti di alto livello provenienti da tutto il mondo. Fate doppio clic sui sottotitoli in inglese visualizzati su ogni pagina video per riprodurre il video da lì. I sottotitoli scorrono in sincronia con la riproduzione del video. Se avete commenti o richieste, contattateci tramite questo modulo di contatto.

https://forms.gle/WvT1wiN1qDtmnspy7