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

מתרגם: Zeeva Livshitz מבקר: Oded Kenny

For the next 16 minutes, I'm going to take you on a journey

במשך 16 הדקות הבאות, אני הולך לקחת אתכם למסע

that is probably the biggest dream of humanity:

שהוא כנראה החלום הגדול ביותר של האנושות:

to understand the code of life.

להבין את הקוד של החיים.

So for me, everything started many, many years ago

אז בשבילי, הכל התחיל לפני שנים רבות מאוד.

when I met the first 3D printer.

כשפגשתי את מדפסת התלת-מימד הראשונה.

The concept was fascinating.

הרעיון היה מרתק.

A 3D printer needs three elements:

מדפסת תלת-מימד צריכה שלושה אלמנטים:

a bit of information, some raw material, some energy,

קצת מידע, כמה חומר גלם, אנרגיה מסוימת,

and it can produce any object that was not there before.

וזה יכול לייצר כל אובייקט שלא היה שם קודם.

I was doing physics, I was coming back home

עסקתי בפיזיקה, חזרתי הביתה

and I realized that I actually always knew a 3D printer.

והבנתי שאני בעצם תמיד הכרתי מדפסת תלת-מימד.

And everyone does.

וכל אחד מכיר.

It was my mom.

זו היתה אמא שלי.

(Laughter)

(צחוק)

My mom takes three elements:

לאמי נחוצים שלושה אלמנטים:

a bit of information, which is between my father and my mom in this case,

קצת מידע, שהוא בין אבי ואמי במקרה זה,

raw elements and energy in the same media, that is food,

אלמנטים של גלם ואנרגיה באותה מדיה, זהו מזון.

and after several months, produces me.

ולאחר כמה חודשים, מייצרת אותי.

And I was not existent before.

ולא הייתי קיים לפני כן.

So apart from the shock of my mom discovering that she was a 3D printer,

אז מלבד ההלם של אמא שלי שמגלה שהיא מדפסת 3D,

I immediately got mesmerized by that piece,

אני מייד הוקסמתי מדבר זה.

the first one, the information.

הראשון, המידע.

What amount of information does it take

מהי כמות המידע הנחוצה

to build and assemble a human?

לבנות ולהרכיב אדם?

Is it much? Is it little?

האם זה הרבה? האם מעט?

How many thumb drives can you fill?

כמה כוננים קשיחים אתם יכולים למלא?

Well, I was studying physics at the beginning

ובכן, למדתי פיזיקה בהתחלה

and I took this approximation of a human as a gigantic Lego piece.

ולקחתי אומדן בקירוב זה של אדם כפיסת לגו ענקית.

So, imagine that the building blocks are little atoms

אז דמיינו שאבני הבניין הם אטומים קטנים

and there is a hydrogen here, a carbon here, a nitrogen here.

ויש מימן כאן, פחמן כאן, חנקן כאן.

So in the first approximation,

אז באומדן בקירוב הראשון,

if I can list the number of atoms that compose a human being,

אם אני יכול למנות את מספר האטומים שמרכיבים בן אדם,

I can build it.

אני יכול לבנות את זה.

Now, you can run some numbers

כעת, אתם יכולים להריץ כמה מספרים

and that happens to be quite an astonishing number.

וזה יהיה מספר די מדהים,

So the number of atoms,

אז מספר האטומים,

the file that I will save in my thumb drive to assemble a little baby,

הקובץ שאני אשמור בכונן הקשיח כדי להרכיב תינוק קטן,

will actually fill an entire Titanic of thumb drives --

ימלא למעשה טיטאניק שלם של כוננים קשיחים,

multiplied 2,000 times.

מוכפל פי אלפיים.

This is the miracle of life.

זהו פלא החיים.

Every time you see from now on a pregnant lady,

בכל פעם, מעתה והלאה, שאתם רואים גברת בהריון,

she's assembling the biggest amount of information

היא מרכיבה את כמות המידע הגדולה ביותר

that you will ever encounter.

שתיתקלו בה אי פעם.

Forget big data, forget anything you heard of.

שיכחו את הנתונים הרבים, שיכחו את כל מה ששמעתם עליו

This is the biggest amount of information that exists.

זוהי הכמות הגדולה ביותר של נתונים שקיימת.

(Applause)

(תשואות)

But nature, fortunately, is much smarter than a young physicist,

אבל הטבע, למרבה המזל, הרבה יותר חכם מפיזיקאי צעיר,

and in four billion years, managed to pack this information

ובארבעה מיליארד שנים, הצליח לארוז את המידע הזה

in a small crystal we call DNA.

בגביש קטן שאנו קוראים לו DNA.

We met it for the first time in 1950 when Rosalind Franklin,

פגשנו אותו בפעם הראשונה ב-1950 כשרוזלינד פרנקלין,

an amazing scientist, a woman,

מדענית מדהימה, אישה,

took a picture of it.

צילמה אותו.

But it took us more than 40 years to finally poke inside a human cell,

אבל זה לקח לנו יותר מ -40 שנים לתקוע לבסוף בתוך תא אנושי,

take out this crystal,

להוציא את הגביש הזה,

unroll it, and read it for the first time.

לגולל אותו, ולקרוא אותו בפעם הראשונה.

The code comes out to be a fairly simple alphabet,

הקוד מופיע כאלפבית פשוט למדי

four letters: A, T, C and G.

ארבע אותיות: ,A,T,C,ַַ & G

And to build a human, you need three billion of them.

וכדי לבנות אדם צריך שלושה מיליארד מהם.

Three billion.

שלושה מיליארד.

How many are three billion?

כמה הם שלושה מיליארד?

It doesn't really make any sense as a number, right?

זה לא באמת נראה כמו מספר הגיוני, נכון?

So I was thinking how I could explain myself better

אז חשבתי איך יכולתי להסביר את עצמי טוב יותר

about how big and enormous this code is.

כמה גדול וענק הוא קוד זה.

But there is -- I mean, I'm going to have some help,

אבל יש - אני מתכוון, הולכת להיות לי קצת עזרה,

and the best person to help me introduce the code

והאדם המתאים ביותר לעזור לי להציג את הקוד

is actually the first man to sequence it, Dr. Craig Venter.

הוא למעשה האדם הראשון שערך רצף זה, ד"ר קרייג ונטר.

So welcome onstage, Dr. Craig Venter.

אז ברוך הבא לבמה ד"ר קרייג ונטר.

(Applause)

(תשואות)

Not the man in the flesh,

לא האיש עצמו,

but for the first time in history,

אבל בפעם הראשונה בהיסטוריה,

this is the genome of a specific human,

זה הגנום המבוקש של אדם מסוים,

printed page-by-page, letter-by-letter:

שמודפס דף אחר דף, אות אחר אות:

262,000 pages of information,

262,000 עמודים של מידע,

450 kilograms, shipped from the United States to Canada

450 ק"ג, שנשלחו מארצות הברית לקנדה

thanks to Bruno Bowden, Lulu.com, a start-up, did everything.

בזכות ברונו באודן, Lulu.com, חברת סטארט-אפ, עשתה הכל.

It was an amazing feat.

זה היה הישג מדהים.

But this is the visual perception of what is the code of life.

אבל זוהי התפיסה החזותית של מה הוא הקוד של חיים.

And now, for the first time, I can do something fun.

ועכשיו, בפעם הראשונה, אני יכול לעשות משהו מהנה.

I can actually poke inside it and read.

אני יכול למעשה לנבור בתוכו ולקרוא.

So let me take an interesting book ... like this one.

אז תנו לי לקחת ספר מעניין ... כמו זה.

I have an annotation; it's a fairly big book.

יש לי הערה; זה ספר די גדול.

So just to let you see what is the code of life.

אז רק כדי שתוכלו לראות מהו הקוד של החיים.

Thousands and thousands and thousands

אלפים על אלפים ואלפים

and millions of letters.

ומיליוני אותיות.

And they apparently make sense.

והם כנראה הגיוניים.

Let's get to a specific part.

בואו ונגיע לחלק מסוים.

Let me read it to you:

תנו לי להקריא לכם אותו;

(Laughter)

(צחוק)

"AAG, AAT, ATA."

"AAG, AAT, ATA."

To you it sounds like mute letters,

לכם זה נשמע כמו אותיות אילמות,

but this sequence gives the color of the eyes to Craig.

אבל רצף זה נותן את צבע העיניים לקרייג.

I'll show you another part of the book.

אני אראה לכם עוד חלק מהספר.

This is actually a little more complicated.

זה למעשה קצת יותר מסובך.

Chromosome 14, book 132:

כרומוזום 14, בספר 132:

(Laughter)

(צחוק)

As you might expect.

כפי שהיה אפשר לצפות.

(Laughter)

(צחוק)

"ATT, CTT, GATT."

".ATT, CTT, GATT."

This human is lucky,

אדם זה הוא בר מזל,

because if you miss just two letters in this position --

כי אם תפספסו רק 2 אותיות במיקום הזה --

two letters of our three billion --

שתי אותיות מתוך שלושת המיליארד שלנו --

he will be condemned to a terrible disease:

הוא יהיה נידון למחלה איומה:

cystic fibrosis.

סיסטיק פיברוזיס (בעברית: לַיֶּפֶת כִּיסְתִית).

We have no cure for it, we don't know how to solve it,

אין לנו תרופה לזה, אנחנו לא יודעים לרפא את זה,

and it's just two letters of difference from what we are.

ורק שתי אותיות מבדילות בין מה שהננו.

A wonderful book, a mighty book,

ספר נפלא, ספר אדיר,

a mighty book that helped me understand

ספר אדיר שעזר לי להבין

and show you something quite remarkable.

ולהראות לכם משהו די מדהים.

Every one of you -- what makes me, me and you, you --

כל אחד מכם -- מה שעושה אותי, אותי ואותכם, אותכם --

is just about five million of these,

זם רק כחמישה מיליון מאלה,

half a book.

חצי ספר.

For the rest,

באשר לשאר,

we are all absolutely identical.

כולנו זהים לחלוטין.

Five hundred pages is the miracle of life that you are.

חמש מאות עמודים הם נס החיים שהוא אתם.

The rest, we all share it.

את השאר, כולנו חולקים.

So think about that again when we think that we are different.

אז תחשבו על זה שוב כשאנחנו חושבים שאנחנו שונים.

This is the amount that we share.

זוהי הכמות שאנו חולקים.

So now that I have your attention,

אז עכשיו כשקיבלתי את תשומת הלב שלכם,

the next question is:

השאלה הבאה היא:

How do I read it?

איך אני קורא את זה?

How do I make sense out of it?

איך אני מוצא בזה היגיון?

Well, for however good you can be at assembling Swedish furniture,

ובכן, עד כמה שתוכלו להיות טובים בהרכבת רהיטים שוודיים,

this instruction manual is nothing you can crack in your life.

את חוברת ההוראות הזו בחיים לא תוכלו לפצח.

(Laughter)

(צחוק)

And so, in 2014, two famous TEDsters,

וכך, ב 2014, שני טדסטרים מפורסמים,

Peter Diamandis and Craig Venter himself,

פיטר דיאמנדיס וקרייג ונטר עצמו,

decided to assemble a new company.

החליטו לייסד חברה חדשה,

Human Longevity was born,

"אריכות ימי אדם" נולדה,

with one mission:

עם משימה אחת

trying everything we can try

מנסים את כל מה שאנו יכולים לעשות

and learning everything we can learn from these books,

ולומדים כל מה שאנו יכולים ללמוד מן הספרים האלה,

with one target --

במטרה אחת --

making real the dream of personalized medicine,

להגשים את החלום של רפואה אישית,

understanding what things should be done to have better health

להבין אילו דברים צריכים להיעשות כדי לזכות בבריאות טובה יותר

and what are the secrets in these books.

ומה הם הסודות בספרים האלה.

An amazing team, 40 data scientists and many, many more people,

צוות מדהים, 40 מדעני נתונים הרבה, הרבה יותר אנשים,

a pleasure to work with.

שתענוג לעבוד איתם.

The concept is actually very simple.

הרעיון הוא למעשה מאוד פשוט.

We're going to use a technology called machine learning.

אנחנו הולכים להשתמש בטכנולוגיה שנקראת למידת מכונה.

On one side, we have genomes -- thousands of them.

מצד אחד יש לנו גנומים - אלפים מהם

On the other side, we collected the biggest database of human beings:

מהצד השני, אספנו את מסד הנתונים הגדול ביותר של בני אדם:

phenotypes, 3D scan, NMR -- everything you can think of.

Inside there, on these two opposite sides,

בפנים שם, על שני צדדים מנוגדים אלה,

there is the secret of translation.

ישנו סוד התרגום.

And in the middle, we build a machine.

ובאמצע אנו בונים מכונה.

We build a machine and we train a machine --

אנחנו בונים מכונה ואנחנו מאמנים מכונה

well, not exactly one machine, many, many machines --

טוב, לא בדיוק מכונה אחת, הרבה, הרבה מכונות --

to try to understand and translate the genome in a phenotype.

לנסות להבין ולתרגם את הגנום בפנוטיפ.

What are those letters, and what do they do?

מהן האותיות האלו, ומה הן עושות?

It's an approach that can be used for everything,

זו גישה שיכולה לשמש לכל דבר,

but using it in genomics is particularly complicated.

אבל להשתמש בה בגנומיקה זה מסובך במיוחד.

Little by little we grew and we wanted to build different challenges.

לאט לאט גדלנו ורצינו לבנות אתגרים שונים.

We started from the beginning, from common traits.

התחלנו מההתחלה, מתכונות משותפות לכולם.

Common traits are comfortable because they are common,

תכונות שכיחות הן נוחות כי הן נפוצות,

everyone has them.

לכולם יש אותן.

So we started to ask our questions:

אז התחלנו לשאול את השאלות שלנו:

Can we predict height?

האם נוכל לחזות גובה?

Can we read the books and predict your height?

האם נוכל לקרוא את הספרים ולחזות את הגובה שלכם?

Well, we actually can,

ובכן, אנו למעשה יכולים,

with five centimeters of precision.

עם חמישה סנטימטרים של דיוק.

BMI is fairly connected to your lifestyle,

BMI תלוי למדי באורח החיים שלכם,

but we still can, we get in the ballpark, eight kilograms of precision.

אבל אנחנו עדיין יכולים, אנו מקבלים בקירוב, 8 קילוגרמים של דיוק.

Can we predict eye color?

האם נוכל לחזות צבע עיניים?

Yeah, we can.

כן, אנחנו יכולים.

Eighty percent accuracy.

80 אחוזים דיוק.

Can we predict skin color?

האם נוכל לחזות צבע עור?

Yeah we can, 80 percent accuracy.

כן אנחנו יכולים, דיוק של 80 אחוז.

Can we predict age?

האם נוכל לחזות גיל?

We can, because apparently, the code changes during your life.

אנחנו יכולים, כי ככל הנראה, הקוד משתנה במהלך חייכם.

It gets shorter, you lose pieces, it gets insertions.

זה הולך ומתקצר, אתם מאבדים פיסות, מתקבלות תוספות.

We read the signals, and we make a model.

אנו קוראים את האותות ואנחנו עושים מודל.

Now, an interesting challenge:

עכשיו, אתגר מעניין:

Can we predict a human face?

האם נוכל לחזות פרצוף אנושי?

It's a little complicated,

זה קצת מסובך,

because a human face is scattered among millions of these letters.

כי פרצוף אנושי מפוזר בין מיליוני אותיות אלו.

And a human face is not a very well-defined object.

ופרצוף אנושי אינו אובייקט מוגדר היטב מאוד.

So, we had to build an entire tier of it

אז היינו נאלצים לבנות נדבך שלם של זה

to learn and teach a machine what a face is,

ללמוד וללמד את המכונה מה זה פרצוף,

and embed and compress it.

ולהטביע ולכבוש אותו.

And if you're comfortable with machine learning,

ואם אתם מרגישים נוח עם למידת מכונה,

you understand what the challenge is here.

אתם מבינים מהו האתגר כאן.

Now, after 15 years -- 15 years after we read the first sequence --

עכשיו, לאחר 15 שנים, אנו קוראים את הרצף הראשון --

this October, we started to see some signals.

באוקטובר זה התחלנו לראות כמה אותות.

And it was a very emotional moment.

וזה היה רגע מאוד מרגש.

What you see here is a subject coming in our lab.

מה שאתם רואים כאן הוא נושא שעולה במעבדה שלנו.

This is a face for us.

זהו פרצוף בשבילנו.

So we take the real face of a subject, we reduce the complexity,

אז אנחנו לוקחים פרצוף אמיתי של סובייקט, אנו מפחיתים את מורכבותו,

because not everything is in your face --

מפני שלא הכל נמצא בפרצופכם --

lots of features and defects and asymmetries come from your life.

הרבה תכונות ופגמים ואסימטריות מגיעים מחייכם.

We symmetrize the face, and we run our algorithm.

אנחנו יוצרים סימטריה בפנים, ומריצים את האלגוריתם שלנו

The results that I show you right now,

התוצאות שאני מראה לכם ממש כעת

this is the prediction we have from the blood.

הם התחזית שיש לנו מתוך הדם.

(Applause)

(תשואות)

Wait a second.

חכו שנייה.

In these seconds, your eyes are watching, left and right, left and right,

בשניות אלו עיניכם צופות, שמאל וימין, ימין ושמאל,

and your brain wants those pictures to be identical.

והמוח שלכם רוצה שהתמונות האלו יהי זהות.

So I ask you to do another exercise, to be honest.

אז אני מבקש מכם לעשות תרגיל אחר, אם להיות כנה.

Please search for the differences,

בבקשה חפשו את ההבדלים,

which are many.

שהם רבים,

The biggest amount of signal comes from gender,

הכמות הגדולה ביותר של אותות מגיעה מהמגדר,

then there is age, BMI, the ethnicity component of a human.

ואז יש גיל, BMI, הרכיב האתני של אדם.

And scaling up over that signal is much more complicated.

ומדרוג מעל האות הזה הוא הרבה יותר מסובך.

But what you see here, even in the differences,

אבל מה שאתם רואים כאן, אפילו בהבדלים,

lets you understand that we are in the right ballpark,

נותן לכם להבין שאנחנו נמצאים במגרש הנכון,

that we are getting closer.

שאנחנו מתקרבים

And it's already giving you some emotions.

וזה כבר מעורר בכם כמה רגשות,

This is another subject that comes in place,

זה נושא אחר שמוצא את מקומו,

and this is a prediction.

וזו תחזית.

A little smaller face, we didn't get the complete cranial structure,

בפנים קצת יותר קטנים , לא קיבלנו את מבנה הגולגולת השלם,

but still, it's in the ballpark.

אבל עדיין זה במגרש.

This is a subject that comes in our lab,

זהו נושא שעולה במעבדה שלנו,

and this is the prediction.

וזו התחזית.

So these people have never been seen in the training of the machine.

אז אנשים אלה מעולם לא נראו באימון של המכונה.

These are the so-called "held-out" set.

אלה הם מי שנקראים קבוצה ב"השהייה".

But these are people that you will probably never believe.

אבל אלה הם אנשים שבהם אתם לעולם לא תאמינו.

We're publishing everything in a scientific publication,

אנחנו מפרסמים הכל בפרסום מדעי,

you can read it.

אתם יכולים לקרוא את זה.

But since we are onstage, Chris challenged me.

אבל מאחר ואנחנו על הבמה, כריס אתגר אותי.

I probably exposed myself and tried to predict

אני כנראה חשפתי את עצמי וניסיתי לחזות

someone that you might recognize.

מישהו שאתם עשויים לזהות.

So, in this vial of blood -- and believe me, you have no idea

אז במבחנה זו של דם -- והאמינו לי, אין לכם שום מושג

what we had to do to have this blood now, here --

מה שהיינו צריכים לעשות כדי שיהיה לנו את הדם הזה עכשיו, כאן -

in this vial of blood is the amount of biological information

במבחנה זו של דם ישנה כמות של מידע ביולוגי

that we need to do a full genome sequence.

שאנחנו צריכים כדי לייצר רצף מלא של גנום.

We just need this amount.

אנו רק צריכים את הסכום הזה.

We ran this sequence, and I'm going to do it with you.

הרצנו את הרצף הזה, ואני הולך לעשות את זה אתכם.

And we start to layer up all the understanding we have.

והתחלנו לרבד את כל ההבנה שיש לנו.

In the vial of blood, we predicted he's a male.

במבחנת הדם, צפינו שזה זכר.

And the subject is a male.

והסובייקט הוא זכר.

We predict that he's a meter and 76 cm.

צפינו שגובהו מטר ו-76 ס"מ.

The subject is a meter and 77 cm.

והסובייקט הוא 77 ס"מ.

So, we predicted that he's 76; the subject is 82.

אז צפינו שהוא בן 76: הסובייקט בן 82.

We predict his age, 38.

צפינו שגילו הוא 38.

The subject is 35.

הסובייקט בן 35.

We predict his eye color.

אנו צופים את צבע עיניו.

Too dark.

כהה מדי.

We predict his skin color.

אנו צופים את צבע עורו.

We are almost there.

אנחנו כמעט שם.

That's his face.

אלה הפנים שלו.

Now, the reveal moment:

כעת, רגע החשיפה:

the subject is this person.

הסובייקט הוא אדם זה.

(Laughter)

(צחוק)

And I did it intentionally.

ועשיתי זאת בכוונה.

I am a very particular and peculiar ethnicity.

אני מאוד ספציפי ומוזר מבחינת מוצא אתני.

Southern European, Italians -- they never fit in models.

דרום אירופאים, איטלקים -- הם אף פעם לא מתאימים במודלים.

And it's particular -- that ethnicity is a complex corner case for our model.

וזה מיוחד -- שאתניות היא מקרה פינתי מורכב עבור המודל שלנו.

But there is another point.

אך קיימת נקודה נוספת.

So, one of the things that we use a lot to recognize people

לכן, אחד הדברים שאנו משתמשים בהם הרבה כדי להכיר אנשים

will never be written in the genome.

לא ייכתב לעולם בגנום.

It's our free will, it's how I look.

זה הרצון החופשי שלנו, זה איך אני נראה.

Not my haircut in this case, but my beard cut.

לא התספורת שלי במקרה זה, אבל חיתוך הזקן שלי.

So I'm going to show you, I'm going to, in this case, transfer it --

אז אני הולך להראות לכם, אני הולך, במקרה זה, ולהעביר אותו -

and this is nothing more than Photoshop, no modeling --

וזה לא יותר מפוטושופ, לא דוגמנות --

the beard on the subject.

הזקן על האובייקט.

And immediately, we get much, much better in the feeling.

ומיד, אנחנו מקבלים תחושה הרבה יותר טובה.

So, why do we do this?

אז, למה אנחנו עושים את זה?

We certainly don't do it for predicting height

אנחנו בהחלט לא עושים את זה לניבוי גובה

or taking a beautiful picture out of your blood.

או לקחת תמונה יפה מתוך הדם שלכם.

We do it because the same technology and the same approach,

אנחנו עושים את זה כי אותה הטכנולוגיה ואותה הגישה,

the machine learning of this code,

למידת המכונה של קוד זה,

is helping us to understand how we work,

עוזרת לנו להבין איך אנחנו עובדים,

how your body works,

איך הגוף שלכם עובד,

how your body ages,

איך הגוף שלכם מזדקן,

how disease generates in your body,

איך מחלה נוצרת בגוף שלכם,

how your cancer grows and develops,

איך הסרטן שלכם גדל ומתפתח,

how drugs work

איך תרופות עובדות

and if they work on your body.

והאם הן עובדות על גופכם.

This is a huge challenge.

זהו אתגר ענק.

This is a challenge that we share

זהו אתגר שאנו חולקים

with thousands of other researchers around the world.

עם אלפי חוקרים אחרים ברחבי העולם.

It's called personalized medicine.

זה נקרא טיפול תרופתי אישי.

It's the ability to move from a statistical approach

זו היכולת לנוע מתוך גישה סטטיסטית

where you're a dot in the ocean,

שבה אתם נקודה בים,

to a personalized approach,

לגישה אישית,

where we read all these books

שבה אנו קוראים את כל הספרים האלה

and we get an understanding of exactly how you are.

ואנחנו מקבלים הבנה של מי אתם בדיוק.

But it is a particularly complicated challenge,

אבל זה אתגר מורכב במיוחד ,

because of all these books, as of today,

בגלל שמכל הספרים האלה, נכון להיום,

we just know probably two percent:

אנחנו רק יודעים כנראה שני אחוז:

four books of more than 175.

ארבעה ספרים של יותר מ -175.

And this is not the topic of my talk,

וזה לא הנושא של השיחה שלי,

because we will learn more.

מפני שנלמד יותר.

There are the best minds in the world on this topic.

ישנם המוחות הטובים ביותר בעולם בנושא זה.

The prediction will get better,

התחזית תשתפר.

the model will get more precise.

המודל יהיה יותר מדויק

And the more we learn,

וככל שאנו לומדים יותר,

the more we will be confronted with decisions

יותר נצטרך להתמודד עם החלטות

that we never had to face before

שמעולם לא נאלצנו להתמודד איתן לפני כן

about life,

על החיים.

about death,

על המוות

about parenting.

על הורות.

So, we are touching the very inner detail on how life works.

אז אנחנו נוגעים בפרט הפנימי מאוד על הדרך בה חיינו עובדים.

And it's a revolution that cannot be confined

וזוהי מהפכה שלא יכולה להיות מוגבלת

in the domain of science or technology.

לתחום המדע או הטכנולוגיה.

This must be a global conversation.

זה חייב להיות שיח גלובלי.

We must start to think of the future we're building as a humanity.

אנחנו חייבים להתחיל לחשוב על העתיד שאנחנו בונים כאנושות.

We need to interact with creatives, with artists, with philosophers,

אנחנו חייבים להיות באינטראקציה עם קריאייטיביים, עם אמנים, עם פילוסופים,

with politicians.

עם פוליטיקאים

Everyone is involved,

כולם מעורבים,

because it's the future of our species.

כי זה העתיד של המין שלנו.

Without fear, but with the understanding

ללא פחד, אבל עם ההבנה

that the decisions that we make in the next year

שההחלטות שאנחנו נקבל בשנה הבאה

will change the course of history forever.

ישנו את מהלך ההיסטוריה לנצח.

Thank you.

תודה

(Applause)

(תשואות)