Danny Hillis: Understanding cancer through proteomics

57,414 views ・ 2011-03-16

TED


Dubbelklik op de Engelse ondertitels hieronder om de video af te spelen.

Vertaald door: Rik Delaet Nagekeken door: Els De Keyser
00:15
I admit that I'm a little bit nervous here
0
15330
3000
Ik geef toe dat ik een beetje nerveus ben
00:18
because I'm going to say some radical things,
1
18330
3000
want ik ga nogal wat radicale dingen zeggen
00:21
about how we should think about cancer differently,
2
21330
3000
over hoe we anders moeten gaan denken over kanker.
00:24
to an audience that contains a lot of people
3
24330
2000
En dat voor een publiek met mensen
00:26
who know a lot more about cancer than I do.
4
26330
3000
die er veel meer over weten dan ik.
00:30
But I will also contest that I'm not as nervous as I should be
5
30330
3000
Maar anderzijds ben ik ook weer niet te zenuwachtig
00:33
because I'm pretty sure I'm right about this.
6
33330
2000
want ik ben er nogal zeker van dat ik gelijk heb.
00:35
(Laughter)
7
35330
2000
(Gelach)
00:37
And that this, in fact, will be
8
37330
2000
Dat dit, in feite, de toekomstige
00:39
the way that we treat cancer in the future.
9
39330
3000
behandelingswijze van kanker zal worden.
00:43
In order to talk about cancer,
10
43330
2000
Om over kanker te praten
00:45
I'm going to actually have to --
11
45330
3000
toon ik jullie even
00:48
let me get the big slide here.
12
48330
3000
deze grote dia.
00:53
First, I'm going to try to give you a different perspective of genomics.
13
53330
3000
Ik wil jullie eerst wat vertellen
00:56
I want to put it in perspective of the bigger picture
14
56330
2000
over de plaats van genomica in het grotere geheel
00:58
of all the other things that are going on --
15
58330
3000
van alle andere dingen waar we mee bezig zijn - en daarna over iets
01:01
and then talk about something you haven't heard so much about, which is proteomics.
16
61330
3000
waar je niet nog zo veel over hebt gehoord, proteomica.
01:04
Having explained those,
17
64330
2000
Dat zal
01:06
that will set up for what I think will be a different idea
18
66330
3000
tot een ander idee leiden
01:09
about how to go about treating cancer.
19
69330
2000
over kankerbehandeling.
01:11
So let me start with genomics.
20
71330
2000
Eerst genomica.
01:13
It is the hot topic.
21
73330
2000
Het is het hot topic,
01:15
It is the place where we're learning the most.
22
75330
2000
waarover we nu het meest bijleren.
01:17
This is the great frontier.
23
77330
2000
Een grensverleggend onderwerp,
01:19
But it has its limitations.
24
79330
3000
maar met beperkingen.
01:22
And in particular, you've probably all heard the analogy
25
82330
3000
Je kent waarschijnlijk de analogie van
01:25
that the genome is like the blueprint of your body,
26
85330
3000
het genoom als een blauwdruk van je lichaam.
01:28
and if that were only true, it would be great,
27
88330
2000
Zou geweldig zijn,
01:30
but it's not.
28
90330
2000
maar het klopt niet.
01:32
It's like the parts list of your body.
29
92330
2000
Bekijk het eerder als de onderdelenlijst van je lichaam.
01:34
It doesn't say how things are connected,
30
94330
2000
Het zegt niet hoe de dingen met elkaar in verband staan.
01:36
what causes what and so on.
31
96330
3000
Wat veroorzaakt wat en enzovoort.
01:39
So if I can make an analogy,
32
99330
2000
Ik geef een andere analogie:
01:41
let's say that you were trying to tell the difference
33
101330
2000
je moet onderscheid kunnen maken
01:43
between a good restaurant, a healthy restaurant
34
103330
3000
tussen een goed restaurant
01:46
and a sick restaurant,
35
106330
2000
en een slecht restaurant,
01:48
and all you had was the list of ingredients
36
108330
2000
op basis van de lijst van ingrediënten
01:50
that they had in their larder.
37
110330
3000
die ze in hun voorraadkast hebben.
01:53
So it might be that, if you went to a French restaurant
38
113330
3000
Als het een Frans restaurant was
01:56
and you looked through it and you found
39
116330
2000
en je vond dat ze alleen
01:58
they only had margarine and they didn't have butter,
40
118330
2000
margarine hadden en geen boter,
02:00
you could say, "Ah, I see what's wrong with them.
41
120330
2000
zou je zeggen: "Ah, ik zie wat hier mis is.
02:02
I can make them healthy."
42
122330
2000
Dat breng ik wel in orde."
02:04
And there probably are special cases of that.
43
124330
2000
Waarschijnlijk is dat soms het geval.
02:06
You could certainly tell the difference
44
126330
2000
Zo kan je zeker het verschil vinden
02:08
between a Chinese restaurant and a French restaurant
45
128330
2000
tussen een Chinees en een Frans restaurant
02:10
by what they had in a larder.
46
130330
2000
door wat ze in hun voorraadkast hebben.
02:12
So the list of ingredients does tell you something,
47
132330
3000
Dus de lijst van ingrediënten vertelt je iets,
02:15
and sometimes it tells you something that's wrong.
48
135330
3000
en soms vertelt ze je dat er iets fout is.
02:19
If they have tons of salt,
49
139330
2000
Als er tonnen zout op de lijst staan,
02:21
you might guess they're using too much salt, or something like that.
50
141330
3000
kan je wel raden dat ze te veel zout gebruiken.
02:24
But it's limited,
51
144330
2000
Maar het heeft zijn beperkingen.
02:26
because really to know if it's a healthy restaurant,
52
146330
2000
Als je echt wil weten of het een goed restaurant is,
02:28
you need to taste the food, you need to know what goes on in the kitchen,
53
148330
3000
dan moet je het voedsel proeven, je moet weten wat er in de keuken gebeurt
02:31
you need the product of all of those ingredients.
54
151330
3000
en de samenstelling van alle ingrediënten kennen.
02:34
So if I look at a person
55
154330
2000
Dat is hetzelfde als ik iemands
02:36
and I look at a person's genome, it's the same thing.
56
156330
3000
genoom bestudeer.
02:39
The part of the genome that we can read
57
159330
2000
Het deel van het genoom dat we kunnen lezen,
02:41
is the list of ingredients.
58
161330
2000
is de lijst van ingrediënten.
02:43
And so indeed,
59
163330
2000
Zo kunnen we soms
02:45
there are times when we can find ingredients
60
165330
2000
slechte ingrediënten
02:47
that [are] bad.
61
167330
2000
vinden.
02:49
Cystic fibrosis is an example of a disease
62
169330
2000
Cystische fibrose is zo'n ziekte
02:51
where you just have a bad ingredient and you have a disease,
63
171330
3000
waar je gewoon met een slecht ingrediënt zit.
02:54
and we can actually make a direct correspondence
64
174330
3000
Hier kunnen we een direct verband leggen
02:57
between the ingredient and the disease.
65
177330
3000
tussen ingrediënt en ziekte.
03:00
But most things, you really have to know what's going on in the kitchen,
66
180330
3000
Maar meestal moet je weten wat er in de keuken gebeurt,
03:03
because, mostly, sick people used to be healthy people --
67
183330
2000
omdat zieken meestal eerst gezond waren -
03:05
they have the same genome.
68
185330
2000
met hetzelfde genoom.
03:07
So the genome really tells you much more
69
187330
2000
Het genoom vertelt je veel
03:09
about predisposition.
70
189330
2000
over aanleg.
03:11
So what you can tell
71
191330
2000
Je kan het verschil zien
03:13
is you can tell the difference between an Asian person and a European person
72
193330
2000
tussen een Aziaat en een Europeaan
03:15
by looking at their ingredients list.
73
195330
2000
door te kijken naar hun ingrediëntenlijst.
03:17
But you really for the most part can't tell the difference
74
197330
3000
Maar dat geldt niet voor het verschil
03:20
between a healthy person and a sick person --
75
200330
3000
tussen een gezonde en een zieke -
03:23
except in some of these special cases.
76
203330
2000
behalve in sommige speciale gevallen.
03:25
So why all the big deal
77
205330
2000
Dus waarom al dat gedoe
03:27
about genetics?
78
207330
2000
over genetica?
03:29
Well first of all,
79
209330
2000
Nou allereerst, omdat we
03:31
it's because we can read it, which is fantastic.
80
211330
3000
het kunnen lezen, wat al fantastisch is.
03:34
It is very useful in certain circumstances.
81
214330
3000
Zeer nuttig in bepaalde omstandigheden.
03:37
It's also the great theoretical triumph
82
217330
3000
Het is ook dé grote theoretische zege
03:40
of biology.
83
220330
2000
van de biologie.
03:42
It's the one theory
84
222330
2000
Het is met die theorie
03:44
that the biologists ever really got right.
85
224330
2000
dat biologen de nagel op de kop sloegen.
03:46
It's fundamental to Darwin
86
226330
2000
Ze is van fundamenteel belang voor Darwin,
03:48
and Mendel and so on.
87
228330
2000
Mendel en zo verder.
03:50
And so it's the one thing where they predicted a theoretical construct.
88
230330
3000
Het is die ene keer waar ze een theoretische constructie voorspelden.
03:54
So Mendel had this idea of a gene
89
234330
2000
Mendel zag het gen
03:56
as an abstract thing,
90
236330
3000
als een abstract ding.
03:59
and Darwin built a whole theory
91
239330
2000
Darwin bouwde een hele theorie
04:01
that depended on them existing,
92
241330
2000
die berustte op hun bestaan.
04:03
and then Watson and Crick
93
243330
2000
Dan kwamen Watson en Crick
04:05
actually looked and found one.
94
245330
2000
die naar het gen zochten en het ook vonden.
04:07
So this happens in physics all the time.
95
247330
2000
In de fysica gaat dat altijd zo.
04:09
You predict a black hole,
96
249330
2000
Je voorspelt een zwart gat, je kijkt door
04:11
and you look out the telescope and there it is, just like you said.
97
251330
3000
je telescoop, en daar is het, net zoals je zei.
04:14
But it rarely happens in biology.
98
254330
2000
Maar dat gebeurt zelden in de biologie.
04:16
So this great triumph -- it's so good,
99
256330
3000
Dit is een grote triomf - zo goed -
04:19
there's almost a religious experience
100
259330
2000
bijna een religieuze ervaring
04:21
in biology.
101
261330
2000
in de biologie.
04:23
And Darwinian evolution
102
263330
2000
Want darwinistische evolutie is echt
04:25
is really the core theory.
103
265330
3000
dé basistheorie van de biologie.
04:30
So the other reason it's been very popular
104
270330
2000
De andere reden waarom genetica zo populair is,
04:32
is because we can measure it, it's digital.
105
272330
3000
haar meetbaarheid, ze is digitaal.
04:35
And in fact,
106
275330
2000
In feite kan je,
04:37
thanks to Kary Mullis,
107
277330
2000
dankzij Kary Mullis,
04:39
you can basically measure your genome in your kitchen
108
279330
4000
met een paar extra ingrediënten
04:43
with a few extra ingredients.
109
283330
3000
in principe je genoom meten in je keuken.
04:46
So for instance, by measuring the genome,
110
286330
3000
Door die metingen zijn we veel te weten gekomen
04:49
we've learned a lot about how we're related to other kinds of animals
111
289330
4000
over onze verwantschap met andere diersoorten.
04:53
by the closeness of our genome,
112
293330
3000
Door de gelijkenissen in ons genoom weten we
04:56
or how we're related to each other -- the family tree,
113
296330
3000
hoe verwant we aan elkaar zijn - de stamboom
04:59
or the tree of life.
114
299330
2000
of de boom van het leven.
05:01
There's a huge amount of information about the genetics
115
301330
3000
Er zijn nu hopen genetische informatie
05:04
just by comparing the genetic similarity.
116
304330
3000
uit die gelijkenissen af te leiden.
05:07
Now of course, in medical application,
117
307330
2000
Dat is voor medische toepassingen
05:09
that is very useful
118
309330
2000
natuurlijk zeer nuttig,
05:11
because it's the same kind of information
119
311330
3000
want het is dezelfde soort informatie
05:14
that the doctor gets from your family medical history --
120
314330
3000
die de arts krijgt uit je familie-anamnese -
05:17
except probably,
121
317330
2000
behalve waarschijnlijk dat je genoom veel
05:19
your genome knows much more about your medical history than you do.
122
319330
3000
meer over je medische geschiedenis weet dan jij.
05:22
And so by reading the genome,
123
322330
2000
Door het lezen van het genoom kunnen we veel meer
05:24
we can find out much more about your family than you probably know.
124
324330
3000
over je familie te weten komen dan jij waarschijnlijk weet.
05:27
And so we can discover things
125
327330
2000
Zo kunnen we dingen ontdekken
05:29
that probably you could have found
126
329330
2000
die je waarschijnlijk ook zou kunnen hebben gevonden
05:31
by looking at enough of your relatives,
127
331330
2000
door maar genoeg naar je eigen familieleden te kijken,
05:33
but they may be surprising.
128
333330
3000
maar toch kunnen ze verrassend zijn.
05:36
I did the 23andMe thing
129
336330
2000
Ik deed dat 23andMe ding en was zeer
05:38
and was very surprised to discover that I am fat and bald.
130
338330
3000
verbaasd te ontdekken dat ik dik en kaal ben.
05:41
(Laughter)
131
341330
7000
(Gelach)
05:48
But sometimes you can learn much more useful things about that.
132
348330
3000
Maar soms kan je er veel nuttiger dingen mee leren.
05:51
But mostly
133
351330
3000
Maar meestal zijn het niet je predisposities
05:54
what you need to know, to find out if you're sick,
134
354330
2000
die je moet kennen om erachter te komen
05:56
is not your predispositions,
135
356330
2000
of je ziek bent, maar wel wat
05:58
but it's actually what's going on in your body right now.
136
358330
3000
er op dit moment aan de gang is in je lichaam.
06:01
So to do that, what you really need to do,
137
361330
2000
Daarvoor moet je
06:03
you need to look at the things
138
363330
2000
kijken naar de dingen
06:05
that the genes are producing
139
365330
2000
die de genen produceren
06:07
and what's happening after the genetics,
140
367330
2000
en naar wat er na de genetica gebeurt.
06:09
and that's what proteomics is about.
141
369330
2000
Dat is waar proteomica over gaat.
06:11
Just like genome mixes the study of all the genes,
142
371330
3000
Net als genomica gaat over de studie van alle genen,
06:14
proteomics is the study of all the proteins.
143
374330
3000
gaat proteomica over de studie van alle eiwitten.
06:17
And the proteins are all of the little things in your body
144
377330
2000
Eiwitten zijn al die kleine dingen in je lichaam
06:19
that are signaling between the cells --
145
379330
3000
die instaan voor de communicatie tussen de cellen -
06:22
actually, the machines that are operating --
146
382330
2000
je werkend machinepark, zeg maar.
06:24
that's where the action is.
147
384330
2000
Dat is waar de actie is.
06:26
Basically, a human body
148
386330
3000
Kortom, een menselijk lichaam
06:29
is a conversation going on,
149
389330
3000
is een gesprek dat gaande is,
06:32
both within the cells and between the cells,
150
392330
3000
zowel binnen de cellen als tussen de cellen,
06:35
and they're telling each other to grow and to die,
151
395330
3000
en ze vertellen elkaar wanneer ze moeten groeien of sterven.
06:38
and when you're sick,
152
398330
2000
Als je ziek bent,
06:40
something's gone wrong with that conversation.
153
400330
2000
is er iets misgegaan met die conversatie.
06:42
And so the trick is --
154
402330
2000
Daar gaat het om. Maar helaas
06:44
unfortunately, we don't have an easy way to measure these
155
404330
3000
hebben we nog geen makkelijke manier om dat te meten
06:47
like we can measure the genome.
156
407330
2000
zoals we het genoom kunnen meten.
06:49
So the problem is that measuring --
157
409330
3000
Het probleem is dat meten. Als je probeert om
06:52
if you try to measure all the proteins, it's a very elaborate process.
158
412330
3000
alle eiwitten te meten, is dat een heel bewerkelijk proces.
06:55
It requires hundreds of steps,
159
415330
2000
Het vereist honderden stappen,
06:57
and it takes a long, long time.
160
417330
2000
het duurt lang, zeer lang.
06:59
And it matters how much of the protein it is.
161
419330
2000
Het is belangrijk te weten hoeveel van dat eiwit er is.
07:01
It could be very significant that a protein changed by 10 percent,
162
421330
3000
Het kan zeer significant zijn als een eiwit voor 10 procent veranderde.
07:04
so it's not a nice digital thing like DNA.
163
424330
3000
Het is dus niet zo'n mooi digitaal iets als DNA.
07:07
And basically our problem is somebody's in the middle
164
427330
2000
In feite ligt ons probleem ergens in het midden
07:09
of this very long stage,
165
429330
2000
van deze zeer lange etappe,
07:11
they pause for just a moment,
166
431330
2000
ze stoppen even,
07:13
and they leave something in an enzyme for a second,
167
433330
2000
ze laten even iets achter in een enzym,
07:15
and all of a sudden all the measurements from then on
168
435330
2000
en plots werken alle metingen vanaf dan
07:17
don't work.
169
437330
2000
niet meer.
07:19
And so then people get very inconsistent results
170
439330
2000
Zo kom je dan tot
07:21
when they do it this way.
171
441330
2000
erg inconsistente resultaten.
07:23
People have tried very hard to do this.
172
443330
2000
We deden ons best.
07:25
I tried this a couple of times
173
445330
2000
Ik probeerde het een paar keer
07:27
and looked at this problem and gave up on it.
174
447330
2000
en gaf het op. Maar
07:29
I kept getting this call from this oncologist
175
449330
2000
ik bleef deze oproep van een oncoloog,
07:31
named David Agus.
176
451330
2000
ene David Agus, ontvangen.
07:33
And Applied Minds gets a lot of calls
177
453330
3000
Nu kreeg Applied Minds veel oproepen
07:36
from people who want help with their problems,
178
456330
2000
van mensen die hulp willen voor hun problemen,
07:38
and I didn't think this was a very likely one to call back,
179
458330
3000
en ik vond het niet nodig om speciaal deze man terug te bellen,
07:41
so I kept on giving him to the delay list.
180
461330
3000
dus zette ik hem op mijn 'niet zo dringend'-lijst.
07:44
And then one day,
181
464330
2000
En dan krijg ik op een dag
07:46
I get a call from John Doerr, Bill Berkman
182
466330
2000
een telefoontje van John Doerr, Bill Berkman en Al Gore
07:48
and Al Gore on the same day
183
468330
2000
- allemaal op dezelfde dag - om mij aan te manen
07:50
saying return David Agus's phone call.
184
470330
2000
David Agus' telefoontje te beantwoorden.
07:52
(Laughter)
185
472330
2000
(Gelach)
07:54
So I was like, "Okay. This guy's at least resourceful."
186
474330
2000
Dus ik had zoiets van "Ok. Deze kerel heeft tenminste een sterk netwerk."
07:56
(Laughter)
187
476330
4000
(Gelach)
08:00
So we started talking,
188
480330
2000
Hij zei: "Ik moet echt
08:02
and he said, "I really need a better way to measure proteins."
189
482330
3000
een betere manier vinden om eiwitten te meten."
08:05
I'm like, "Looked at that. Been there.
190
485330
2000
En ik van: "Heb ik al gedaan.
08:07
Not going to be easy."
191
487330
2000
Zal niet makkelijk zijn."
08:09
He's like, "No, no. I really need it.
192
489330
2000
En hij weer: "Nee, nee. Ik heb dat echt nodig.
08:11
I mean, I see patients dying every day
193
491330
4000
Ik bedoel dat ik elke dag mensen zie sterven
08:15
because we don't know what's going on inside of them.
194
495330
3000
omdat we niet weten wat er in hun lichaam omgaat.
08:18
We have to have a window into this."
195
498330
2000
We hebben een​ venster nodig om naar binnen te kijken. "
08:20
And he took me through
196
500330
2000
Hij toonde me specifieke
08:22
specific examples of when he really needed it.
197
502330
3000
voorbeelden van wanneer hij dat echt nodig had.
08:25
And I realized, wow, this would really make a big difference,
198
505330
2000
Ik besefte dat het echt een groot verschil zou maken
08:27
if we could do it,
199
507330
2000
als we dat konden doen.
08:29
and so I said, "Well, let's look at it."
200
509330
2000
Ik zei: "Nou, laten we eens kijken."
08:31
Applied Minds has enough play money
201
511330
2000
Applied Minds heeft genoeg extra geld dat we eraan
08:33
that we can go and just work on something
202
513330
2000
kunnen beginnen te werken zonder dat we iemands financiering,
08:35
without getting anybody's funding or permission or anything.
203
515330
3000
toestemming of wat dan ook nodig hebben.
08:38
So we started playing around with this.
204
518330
2000
Dus begonnen we ermee.
08:40
And as we did it, we realized this was the basic problem --
205
520330
3000
Al doende beseften we dat
08:43
that taking the sip of coffee --
206
523330
2000
dit het fundamentele probleem was -
08:45
that there were humans doing this complicated process
207
525330
2000
dat er mensen met dit ingewikkeld proces bezig waren
08:47
and that what really needed to be done
208
527330
2000
maar wat echt nodig was,
08:49
was to automate this process like an assembly line
209
529330
3000
was dit proces te automatiseren als een assemblagelijn
08:52
and build robots
210
532330
2000
en robots te bouwen
08:54
that would measure proteomics.
211
534330
2000
die de proteomica zouden meten.
08:56
And so we did that,
212
536330
2000
En dat deden we.
08:58
and working with David,
213
538330
2000
Samen met David richtten we een
09:00
we made a little company called Applied Proteomics eventually,
214
540330
3000
bedrijfje op dat uiteindelijk Applied Proteomics zou heten,
09:03
which makes this robotic assembly line,
215
543330
3000
waar deze gerobotiseerde assemblagelijn wordt gemaakt,
09:06
which, in a very consistent way, measures the protein.
216
546330
3000
die op een zeer consistente manier eiwitten meet.
09:09
And I'll show you what that protein measurement looks like.
217
549330
3000
Ik zal je laten zien hoe zo'n eiwitmeting eruit ziet.
09:13
Basically, what we do
218
553330
2000
Wat we doen is
09:15
is we take a drop of blood
219
555330
2000
een druppel bloed
09:17
out of a patient,
220
557330
2000
van een patiënt nemen.
09:19
and we sort out the proteins
221
559330
2000
Dan gaan we van de eiwitten
09:21
in the drop of blood
222
561330
2000
in die druppel bloed uitzoeken
09:23
according to how much they weigh,
223
563330
2000
wat hun massa is,
09:25
how slippery they are,
224
565330
2000
hoe glibberig ze zijn,
09:27
and we arrange them in an image.
225
567330
3000
en dat grafisch voorstellen.
09:30
And so we can look at literally
226
570330
2000
Zo kunnen we letterlijk in één keer naar
09:32
hundreds of thousands of features at once
227
572330
2000
honderdduizenden data kijken
09:34
out of that drop of blood.
228
574330
2000
uitgaande van die ene druppel bloed.
09:36
And we can take a different one tomorrow,
229
576330
2000
De dag erna kunnen we weer een druppel nemen,
09:38
and you will see your proteins tomorrow will be different --
230
578330
2000
en je zult zien dat je eiwitten anders zullen zijn -
09:40
they'll be different after you eat or after you sleep.
231
580330
3000
dat ze anders zijn nadat je gegeten of geslapen hebt.
09:43
They really tell us what's going on there.
232
583330
3000
Ze vertellen echt wat er daar aan de hand is.
09:46
And so this picture,
233
586330
2000
Deze foto,
09:48
which looks like a big smudge to you,
234
588330
2000
die eruit ziet als een grote vlek,
09:50
is actually the thing that got me really thrilled about this
235
590330
4000
is eigenlijk het ding waar ik echt enthousiast over werd
09:54
and made me feel like we were on the right track.
236
594330
2000
en die me liet voelen dat we op het juiste spoor zaten.
09:56
So if I zoom into that picture,
237
596330
2000
Als ik inzoom op die foto
09:58
I can just show you what it means.
238
598330
2000
kan ik jullie laten zien wat ze betekent.
10:00
We sort out the proteins -- from left to right
239
600330
3000
We sorteren de eiwitten - van links naar rechts
10:03
is the weight of the fragments that we're getting,
240
603330
3000
staat de massa van de fragmenten die we krijgen.
10:06
and from top to bottom is how slippery they are.
241
606330
3000
En van boven naar beneden geeft ze aan hoe glibberig ze zijn.
10:09
So we're zooming in here just to show you a little bit of it.
242
609330
3000
Even inzoomen toont het beter.
10:12
And so each of these lines
243
612330
2000
Elk van deze lijntjes vertegenwoordigt een signaal
10:14
represents some signal that we're getting out of a piece of a protein.
244
614330
3000
dat we het krijgen van een stukje eiwit.
10:17
And you can see how the lines occur
245
617330
2000
Je kunt zien hoe de lijnen ontstaan
10:19
in these little groups of bump, bump, bump, bump, bump.
246
619330
4000
in deze kleine groepen van bom, bom, bom, bom, bom, bom.
10:23
And that's because we're measuring the weight so precisely that --
247
623330
3000
Dat is omdat we de massa zo precies meten.
10:26
carbon comes in different isotopes,
248
626330
2000
Koolstof komt voor in verschillende isotopen.
10:28
so if it has an extra neutron on it,
249
628330
3000
Als het koolstofatoom een extra neutron heeft,
10:31
we actually measure it as a different chemical.
250
631330
4000
zien we dat als een andere chemische stof.
10:35
So we're actually measuring each isotope as a different one.
251
635330
3000
Dus geeft elk isotoop een ander meetresultaat.
10:38
And so that gives you an idea
252
638330
3000
Dat geeft je een idee
10:41
of how exquisitely sensitive this is.
253
641330
2000
hoe uiterst gevoelig dit is.
10:43
So seeing this picture
254
643330
2000
Het kijken naar deze foto
10:45
is sort of like getting to be Galileo
255
645330
2000
is zoals Galileo voor de eerste
10:47
and looking at the stars
256
647330
2000
keer door een telescoop
10:49
and looking through the telescope for the first time,
257
649330
2000
naar de sterren keek
10:51
and suddenly you say, "Wow, it's way more complicated than we thought it was."
258
651330
3000
en opeens zeg je: "Wow, het is veel ingewikkelder dan we dachten."
10:54
But we can see that stuff out there
259
654330
2000
Maar we kunnen die dingen daar zien
10:56
and actually see features of it.
260
656330
2000
en de kenmerken ervan registreren.
10:58
So this is the signature out of which we're trying to get patterns.
261
658330
3000
Dit is het signaal waaruit we proberen om patronen af te leiden.
11:01
So what we do with this
262
661330
2000
We kunnen bijvoorbeeld
11:03
is, for example, we can look at two patients,
263
663330
2000
naar twee patiënten kijken, een die reageerde
11:05
one that responded to a drug and one that didn't respond to a drug,
264
665330
3000
op een geneesmiddel en een die daar niet op reageerde,
11:08
and ask, "What's going on differently
265
668330
2000
en vragen: "Waarin verschillen
11:10
inside of them?"
266
670330
2000
die van binnen?" We kunnen deze metingen
11:12
And so we can make these measurements precisely enough
267
672330
3000
nauwkeurig genoeg maken dat we de patronen van de twee patiënten
11:15
that we can overlay two patients and look at the differences.
268
675330
3000
op elkaar kunnen leggen en naar de verschillen kunnen kijken.
11:18
So here we have Alice in green
269
678330
2000
Hier hebben we Alice in het groen
11:20
and Bob in red.
270
680330
2000
en Bob in het rood.
11:22
We overlay them. This is actual data.
271
682330
3000
We doen een overlay. Dit zijn de feitelijke gegevens.
11:25
And you can see, mostly it overlaps and it's yellow,
272
685330
3000
Je kunt zien dat het meeste overlapt en geel kleurt,
11:28
but there's some things that just Alice has
273
688330
2000
maar er zijn enkele dingen die alleen Alice heeft
11:30
and some things that just Bob has.
274
690330
2000
en sommige dingen die alleen bij Bob voorkomen.
11:32
And if we find a pattern of things
275
692330
3000
Als we dan zo'n patroon vinden
11:35
of the responders to the drug,
276
695330
3000
bij degenen die op het geneesmiddel reageren,
11:38
we see that in the blood,
277
698330
2000
dan zien we dat ze in hun bloed
11:40
they have the condition
278
700330
2000
de aanleg hebben om
11:42
that allows them to respond to this drug.
279
702330
2000
te reageren op dit medicijn.
11:44
We might not even know what this protein is,
280
704330
2000
Misschien zouden we niet eens weten wat dit eiwit is,
11:46
but we can see it's a marker
281
706330
2000
maar we kunnen het zien als een merkteken
11:48
for the response to the disease.
282
708330
2000
voor de reactie op de ziekte.
11:53
So this already, I think,
283
713330
2000
Dit alleen al, denk ik, is enorm
11:55
is tremendously useful in all kinds of medicine.
284
715330
3000
nuttig voor allerlei vormen van geneeskunde.
11:58
But I think this is actually
285
718330
2000
Maar ik denk dat dit
12:00
just the beginning
286
720330
2000
nog maar het begin is van
12:02
of how we're going to treat cancer.
287
722330
2000
hoe we kanker gaan behandelen.
12:04
So let me move to cancer.
288
724330
2000
Laten we kanker eens onder de loep nemen.
12:06
The thing about cancer --
289
726330
2000
Het probleem met kanker -
12:08
when I got into this,
290
728330
2000
toen ik ermee begon,
12:10
I really knew nothing about it,
291
730330
2000
wist ik er niets van,
12:12
but working with David Agus,
292
732330
2000
maar door te werken met David Agus,
12:14
I started watching how cancer was actually being treated
293
734330
3000
begon ik erop te letten hoe kanker eigenlijk werd behandeld.
12:17
and went to operations where it was being cut out.
294
737330
3000
Ik woonde operaties bij waar het gezwel werd weggesneden.
12:20
And as I looked at it,
295
740330
2000
Door ernaar te kijken,
12:22
to me it didn't make sense
296
742330
2000
werd het me duidelijk dat we kanker
12:24
how we were approaching cancer,
297
744330
2000
niet op een zinvolle manier aanpakten.
12:26
and in order to make sense of it,
298
746330
3000
Om het te begrijpen,
12:29
I had to learn where did this come from.
299
749330
3000
moest ik leren hoe dat komt.
12:32
We're treating cancer almost like it's an infectious disease.
300
752330
4000
We behandelen kanker bijna alsof het een besmettelijke ziekte is.
12:36
We're treating it as something that got inside of you
301
756330
2000
We behandelen het alsof we iets dat je
12:38
that we have to kill.
302
758330
2000
binnenkreeg, moeten doden.
12:40
So this is the great paradigm.
303
760330
2000
Dit is het grote paradigma.
12:42
This is another case
304
762330
2000
Dit is een ander voorbeeld waar een theoretisch
12:44
where a theoretical paradigm in biology really worked --
305
764330
2000
paradigma in de biologie echt werkte -
12:46
was the germ theory of disease.
306
766330
3000
de theorie over ziektekiemen.
12:49
So what doctors are mostly trained to do
307
769330
2000
Waarin artsen het meest opgeleid zijn,
12:51
is diagnose --
308
771330
2000
is diagnose - dat wil zeggen
12:53
that is, put you into a category
309
773330
2000
je in een categorie onderbrengen -
12:55
and apply a scientifically proven treatment
310
775330
2000
en dan een wetenschappelijk bewezen behandeling
12:57
for that diagnosis --
311
777330
2000
voor die diagnose op je toepassen.
12:59
and that works great for infectious diseases.
312
779330
3000
Dat werkt prima voor infectieziekten.
13:02
So if we put you in the category
313
782330
2000
Als we je in de categorie
13:04
of you've got syphilis, we can give you penicillin.
314
784330
3000
van syfilis plaatsen, kunnen we je penicilline geven.
13:07
We know that that works.
315
787330
2000
We weten dat dat werkt.
13:09
If you've got malaria, we give you quinine
316
789330
2000
Als je malaria hebt, krijg je kinine
13:11
or some derivative of it.
317
791330
2000
of een afgeleide ervan.
13:13
And so that's the basic thing doctors are trained to do,
318
793330
3000
Dat is het fundament van de artsenopleiding.
13:16
and it's miraculous
319
796330
2000
Prima methode, als we te doen hebben
13:18
in the case of infectious disease --
320
798330
3000
met een besmettelijke ziekte -
13:21
how well it works.
321
801330
2000
dan werkt het goed.
13:23
And many people in this audience probably wouldn't be alive
322
803330
3000
Veel mensen hier in het publiek zouden waarschijnlijk
13:26
if doctors didn't do this.
323
806330
2000
niet meer leven als artsen dit niet deden.
13:28
But now let's apply that
324
808330
2000
Maar pas dat nu eens toe
13:30
to systems diseases like cancer.
325
810330
2000
op systeemziekten zoals kanker.
13:32
The problem is that, in cancer,
326
812330
2000
Het probleem is dat bij kanker
13:34
there isn't something else
327
814330
2000
er niets vreemds
13:36
that's inside of you.
328
816330
2000
in je is binnengedrongen.
13:38
It's you; you're broken.
329
818330
2000
Jij bent het zelf waarin iets stuk is gegaan.
13:40
That conversation inside of you
330
820330
4000
Die conversatie binnen in je is op de een
13:44
got mixed up in some way.
331
824330
2000
of andere manier in het honderd gelopen.
13:46
So how do we diagnose that conversation?
332
826330
2000
Hoe diagnosticeren we zo'n conversatie?
13:48
Well, right now what we do is we divide it by part of the body --
333
828330
3000
Nu doen we dat door te kijken waar in je lichaam de fout optreedt -
13:51
you know, where did it appear? --
334
831330
3000
waar de ziekte zich uit -
13:54
and we put you in different categories
335
834330
2000
en wij brengen je onder in verschillende categorieën
13:56
according to the part of the body.
336
836330
2000
volgens het deel van het lichaam.
13:58
And then we do a clinical trial
337
838330
2000
Dan doen we een klinische proef
14:00
for a drug for lung cancer
338
840330
2000
voor een geneesmiddel voor longkanker,
14:02
and one for prostate cancer and one for breast cancer,
339
842330
3000
een voor prostaatkanker en een voor borstkanker.
14:05
and we treat these as if they're separate diseases
340
845330
3000
Wij behandelen deze alsof het afzonderlijke ziekten zijn,
14:08
and that this way of dividing them
341
848330
2000
alsof deze manier van indelen
14:10
had something to do with what actually went wrong.
342
850330
2000
iets te maken had met wat er werkelijk is misgegaan.
14:12
And of course, it really doesn't have that much to do
343
852330
2000
Natuurlijk heeft dat weinig te maken
14:14
with what went wrong
344
854330
2000
met wat er misging.
14:16
because cancer is a failure of the system.
345
856330
3000
Omdat kanker een falen is van het systeem.
14:19
And in fact, I think we're even wrong
346
859330
2000
Ik denk zelfs dat we verkeerd bezig zijn
14:21
when we talk about cancer as a thing.
347
861330
3000
als we over kanker als over een ding praten.
14:24
I think this is the big mistake.
348
864330
2000
Ik denk dat dat een grote vergissing is.
14:26
I think cancer should not be a noun.
349
866330
4000
Volgens mij zou kanker geen zelfstandig naamwoord mogen zijn.
14:30
We should talk about cancering
350
870330
2000
We zouden moeten praten over 'kankeren'
14:32
as something we do, not something we have.
351
872330
3000
als over een proces, niet als iets wat we hebben.
14:35
And so those tumors,
352
875330
2000
Tumoren zijn
14:37
those are symptoms of cancer.
353
877330
2000
symptomen van kanker.
14:39
And so your body is probably cancering all the time,
354
879330
3000
Je lichaam kankert waarschijnlijk de hele tijd.
14:42
but there are lots of systems in your body
355
882330
3000
Maar allerlei systemen in je lichaam
14:45
that keep it under control.
356
885330
2000
zorgen ervoor dat het onder controle blijft.
14:47
And so to give you an idea
357
887330
2000
Om je een idee te geven
14:49
of an analogy of what I mean
358
889330
2000
geef ik weer een analogie
14:51
by thinking of cancering as a verb,
359
891330
3000
voor kankeren als een werkwoord.
14:54
imagine we didn't know anything about plumbing,
360
894330
3000
Stel dat we niets weten over sanitair
14:57
and the way that we talked about it,
361
897330
2000
en hoe erover te praten.
14:59
we'd come home and we'd find a leak in our kitchen
362
899330
3000
We komen thuis en we vinden een lek in de keuken
15:02
and we'd say, "Oh, my house has water."
363
902330
4000
en zeggen: "Oh, mijn huis staat onder water." We zouden het kunnen indelen.
15:06
We might divide it -- the plumber would say, "Well, where's the water?"
364
906330
3000
De loodgieter zou zeggen: "Nou, waar is het water?"
15:09
"Well, it's in the kitchen." "Oh, you must have kitchen water."
365
909330
3000
"In de keuken. O, dan heb je keukenwater."
15:12
That's kind of the level at which it is.
366
912330
3000
Op dat niveau spreken we bij kanker.
15:15
"Kitchen water,
367
915330
2000
"Keukenwater? Nou, allereerst,
15:17
well, first of all, we'll go in there and we'll mop out a lot of it.
368
917330
2000
gaan we het zoveel mogelijk opdweilen.
15:19
And then we know that if we sprinkle Drano around the kitchen,
369
919330
3000
Wat ontstopper rondstrooien in de keuken
15:22
that helps.
370
922330
3000
helpt ook.
15:25
Whereas living room water,
371
925330
2000
Terwijl het voor woonkamerwater
15:27
it's better to do tar on the roof."
372
927330
2000
beter is om het dak te asfalteren."
15:29
And it sounds silly,
373
929330
2000
Het klinkt stom, maar dat is
15:31
but that's basically what we do.
374
931330
2000
in essentie wat we doen bij kanker.
15:33
And I'm not saying you shouldn't mop up your water if you have cancer,
375
933330
3000
Niet dat je je water niet mag opdweilen als je kanker hebt.
15:36
but I'm saying that's not really the problem;
376
936330
3000
Maar dat is niet het echte probleem;
15:39
that's the symptom of the problem.
377
939330
2000
het is een symptoom ervan.
15:41
What we really need to get at
378
941330
2000
Waar we echt moeten toe komen,
15:43
is the process that's going on,
379
943330
2000
is het proces aanpakken dat gaande is
15:45
and that's happening at the level
380
945330
2000
op het niveau
15:47
of the proteonomic actions,
381
947330
2000
van de proteomische acties,
15:49
happening at the level of why is your body not healing itself
382
949330
3000
waarom ons lichaam zichzelf niet meer geneest
15:52
in the way that it normally does?
383
952330
2000
op de manier waarop het dat normaal doet.
15:54
Because normally, your body is dealing with this problem all the time.
384
954330
3000
Want normaal is je lichaam de hele tijd bezig met dit probleem.
15:57
So your house is dealing with leaks all the time,
385
957330
3000
Je huis gaat dus de hele tijd om met lekken.
16:00
but it's fixing them. It's draining them out and so on.
386
960330
4000
Maar het repareert ze. Het raakt er van af.
16:04
So what we need
387
964330
3000
Dus wat we nodig hebben,
16:07
is to have a causative model
388
967330
4000
is een oorzakelijk model
16:11
of what's actually going on,
389
971330
2000
van wat er werkelijk gaande is.
16:13
and proteomics actually gives us
390
973330
3000
Proteomica geeft ons nu echt
16:16
the ability to build a model like that.
391
976330
3000
de mogelijkheid om zo'n model te construeren.
16:19
David got me invited
392
979330
2000
David nodigde me uit om een talk
16:21
to give a talk at National Cancer Institute
393
981330
2000
aan het National Cancer Institute te geven
16:23
and Anna Barker was there.
394
983330
3000
en Anna Barker was er ook.
16:27
And so I gave this talk
395
987330
2000
Ik vroeg:
16:29
and said, "Why don't you guys do this?"
396
989330
3000
"Waarom zijn jullie hier niet mee bezig?"
16:32
And Anna said,
397
992330
2000
Anna antwoordde:
16:34
"Because nobody within cancer
398
994330
3000
"Omdat niemand die met kanker bezig is,
16:37
would look at it this way.
399
997330
2000
er op deze manier naar zou kijken.
16:39
But what we're going to do, is we're going to create a program
400
999330
3000
Maar we gaan een programma opstellen
16:42
for people outside the field of cancer
401
1002330
2000
voor mensen buiten het gebied van kanker
16:44
to get together with doctors
402
1004330
2000
om samen te komen met artsen
16:46
who really know about cancer
403
1006330
3000
die echt wat weten over kanker
16:49
and work out different programs of research."
404
1009330
4000
en om verschillende onderzoeksprogramma's uit te werken. "
16:53
So David and I applied to this program
405
1013330
2000
David en ik meldden ons aan voor dit programma
16:55
and created a consortium
406
1015330
2000
en creëerden een consortium
16:57
at USC
407
1017330
2000
op USC met enkele
16:59
where we've got some of the best oncologists in the world
408
1019330
3000
van de beste oncologen ter wereld
17:02
and some of the best biologists in the world,
409
1022330
3000
en sommige van de beste biologen ter wereld,
17:05
from Cold Spring Harbor,
410
1025330
2000
van Cold Spring Harbor,
17:07
Stanford, Austin --
411
1027330
2000
Stanford, Austin -
17:09
I won't even go through and name all the places --
412
1029330
3000
ik zal zelfs niet ingaan op alle plaatsen -
17:12
to have a research project
413
1032330
3000
om een onderzoeksproject op te starten
17:15
that will last for five years
414
1035330
2000
dat vijf jaar zal duren,
17:17
where we're really going to try to build a model of cancer like this.
415
1037330
3000
waarbij we gaan proberen om een model voor kanker te bouwen.
17:20
We're doing it in mice first,
416
1040330
2000
We doen het eerst bij muizen.
17:22
and we will kill a lot of mice
417
1042330
2000
We zullen hierbij
17:24
in the process of doing this,
418
1044330
2000
veel muizen doden
17:26
but they will die for a good cause.
419
1046330
2000
maar ze zullen sterven voor een goed doel.
17:28
And we will actually try to get to the point
420
1048330
3000
We gaan proberen
17:31
where we have a predictive model
421
1051330
2000
een voorspellend model op te stellen
17:33
where we can understand,
422
1053330
2000
waarmee we kunnen begrijpen
17:35
when cancer happens,
423
1055330
2000
wanneer kanker optreedt,
17:37
what's actually happening in there
424
1057330
2000
wat er eigenlijk in gebeurt
17:39
and which treatment will treat that cancer.
425
1059330
3000
en waarmee we die kanker kunnen behandelen.
17:42
So let me just end with giving you a little picture
426
1062330
3000
Laat me eindigen met een beeld van hoe
17:45
of what I think cancer treatment will be like in the future.
427
1065330
3000
de behandeling van kanker er volgens mij in de toekomst zal uitzien.
17:48
So I think eventually,
428
1068330
2000
Ik denk dat uiteindelijk,
17:50
once we have one of these models for people,
429
1070330
2000
eens dat we zo'n model hebben voor mensen,
17:52
which we'll get eventually --
430
1072330
2000
en dat zullen we krijgen - ik bedoel onze groep
17:54
I mean, our group won't get all the way there --
431
1074330
2000
zal daar niet helemaal alleen in slagen -
17:56
but eventually we'll have a very good computer model --
432
1076330
3000
maar uiteindelijk zullen we over een zeer goed computermodel beschikken -
17:59
sort of like a global climate model for weather.
433
1079330
3000
te vergelijken met het globale-klimaatmodel voor het weer.
18:02
It has lots of different information
434
1082330
3000
Het zal hopen informatie verschaffen over welke processen
18:05
about what's the process going on in this proteomic conversation
435
1085330
3000
gaande zijn in deze proteomische conversatie
18:08
on many different scales.
436
1088330
2000
op veel verschillende schalen.
18:10
And so we will simulate
437
1090330
2000
We zullen
18:12
in that model
438
1092330
2000
met dat model
18:14
for your particular cancer --
439
1094330
3000
jouw specifieke kanker kunnen simuleren -
18:17
and this also will be for ALS,
440
1097330
2000
en dit zal ook gelden voor ALS,
18:19
or any kind of system neurodegenerative diseases,
441
1099330
3000
of meer van dergelijke systeemneurodegeneratieve ziekten,
18:22
things like that --
442
1102330
2000
dat soort dingen -
18:24
we will simulate
443
1104330
2000
we zullen dit
18:26
specifically you,
444
1106330
2000
voor jou specifiek kunnen simuleren,
18:28
not just a generic person,
445
1108330
2000
en niet alleen voor een gemiddelde persoon,
18:30
but what's actually going on inside you.
446
1110330
2000
we vinden wat er werkelijk in jou gaande is.
18:32
And in that simulation, what we could do
447
1112330
2000
In die simulatie zouden
18:34
is design for you specifically
448
1114330
2000
we voor jou specifiek een opeenvolging van
18:36
a sequence of treatments,
449
1116330
2000
behandelingen kunnen ontwerpen.
18:38
and it might be very gentle treatments, very small amounts of drugs.
450
1118330
3000
Zachte behandelingen met zeer kleine hoeveelheden medicijnen.
18:41
It might be things like, don't eat that day,
451
1121330
3000
Het zouden misschien dingen zijn als een dag vasten
18:44
or give them a little chemotherapy,
452
1124330
2000
of wat chemotherapie,
18:46
maybe a little radiation.
453
1126330
2000
misschien wel een beetje straling.
18:48
Of course, we'll do surgery sometimes and so on.
454
1128330
3000
Natuurlijk zal soms een operatie of zo nodig zijn.
18:51
But design a program of treatments specifically for you
455
1131330
3000
Maar het zal een specifiek voor jou ontworpen
18:54
and help your body
456
1134330
3000
programma van behandelingen zijn
18:57
guide back to health --
457
1137330
3000
en het zal je lichaam helpen om
19:00
guide your body back to health.
458
1140330
2000
terug gezond te worden.
19:02
Because your body will do most of the work of fixing it
459
1142330
4000
Omdat je lichaam zelf het meeste werk zal doen bij het herstelproces
19:06
if we just sort of prop it up in the ways that are wrong.
460
1146330
3000
als we het gewoon wat ondersteunen als het mis gaat.
19:09
We put it in the equivalent of splints.
461
1149330
2000
Het is het equivalent van gipsen.
19:11
And so your body basically has lots and lots of mechanisms
462
1151330
2000
Je lichaam heeft in principe heel veel mechanismen
19:13
for fixing cancer,
463
1153330
2000
om van kanker te herstellen.
19:15
and we just have to prop those up in the right way
464
1155330
3000
Die moeten we gewoon op de juiste manier leren activeren
19:18
and get them to do the job.
465
1158330
2000
om ze hun werk te laten doen.
19:20
And so I believe that this will be the way
466
1160330
2000
Ik denk dat dit de manier zal worden
19:22
that cancer will be treated in the future.
467
1162330
2000
waarop kanker in de toekomst zal worden behandeld.
19:24
It's going to require a lot of work,
468
1164330
2000
Het gaat veel werk vereisen,
19:26
a lot of research.
469
1166330
2000
veel onderzoek.
19:28
There will be many teams like our team
470
1168330
3000
Er zullen veel teams zoals het onze
19:31
that work on this.
471
1171330
2000
hieraan gaan werken.
19:33
But I think eventually,
472
1173330
2000
Maar ik denk dat we uiteindelijk
19:35
we will design for everybody
473
1175330
2000
voor iedereen een kankerbehandeling
19:37
a custom treatment for cancer.
474
1177330
4000
op maat gaan kunnen ontwerpen.
19:41
So thank you very much.
475
1181330
2000
Zeer bedankt.
19:43
(Applause)
476
1183330
6000
(Applaus)
Over deze website

Deze site laat u kennismaken met YouTube-video's die nuttig zijn om Engels te leren. U ziet Engelse lessen gegeven door topdocenten uit de hele wereld. Dubbelklik op de Engelse ondertitels op elke videopagina om de video af te spelen. De ondertitels scrollen synchroon met het afspelen van de video. Heeft u opmerkingen of verzoeken, neem dan contact met ons op via dit contactformulier.

https://forms.gle/WvT1wiN1qDtmnspy7