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

Translator: Kelwalin Dhanasarnsombut Reviewer: Rawee Ma

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

ในอีก 16 นาทีข้างหน้า ผมกำลังจะพาคุณเดินทางไปด้วยกัน

that is probably the biggest dream of humanity:

ที่บางที มันอาจเป็นความฝัน ที่ยิ่งใหญ่ที่สุดของมวลมนุษยชาติ

to understand the code of life.

เพื่อทำความเข้าใจรหัสของชีวิต

So for me, everything started many, many years ago

สำหรับผมแล้ว ทุกอย่างเริ่มขึ้น เมื่อหลายปีมาแล้ว

when I met the first 3D printer.

เมื่อผมพบเข้ากับเครื่องพิมพ์สามมิติเครื่องแรก

The concept was fascinating.

แนวคิดมันน่าสนใจมาก

A 3D printer needs three elements:

เครื่องพิมพ์สามมิติต้องการสามสิ่ง

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

ข้อมูลนิดหน่อย วัตถุดิบ และพลังงาน

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

และมันสามารถสร้างวัตถุใดก็ตาม ที่ไม่ได้ปรากฏอยู่ตรงนั้นแต่แรก

I was doing physics, I was coming back home

ตอนนั้นผมเรียนฟิสิกส์ ผมกำลังจะกลับบ้าน

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

และตระหนักว่า อันที่จริง ผมรู้จักเครื่องพิมพ์สามมิติมาโดยตลอด

And everyone does.

และทุกคนก็เช่นกัน

It was my mom.

มันก็คือแม่ของผมนี่เอง

(Laughter)

(เสียงหัวเราะ)

My mom takes three elements:

แม่ของผมใช้สามสิ่งนี้

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

ข้อมูลนิดหน่อย ซึ่งในกรณีนี้ คือระหว่างพ่อและแม่ของผม

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

วัตถุดิบและพลังงาน ในบริบทเดียวกันมันคืออาหาร

and after several months, produces me.

และหลังจากสองสามเดือน ผมก็เกิดขึ้นมา

And I was not existent before.

และผมก็ไม่ได้ปรากฏอยู่ก่อนหน้านี้

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

ฉะนั้น นอกเหนือจากที่แม่ผมตกใจ ว่าเธอเป็นเครื่องพิมพ์สามมิติ

I immediately got mesmerized by that piece,

ผมก็ตะลึงกับสิ่งนั้นโดยทันที

the first one, the information.

ประการแรก ข้อมูล

What amount of information does it take

ข้อมูลปริมาณเท่าไรที่มันต้องการ

to build and assemble a human?

เพื่อที่จะสร้างและประกอบขึ้นเป็นมนุษย์

Is it much? Is it little?

มันเยอะหรือเปล่า มันน้อยหรือเปล่า

How many thumb drives can you fill?

ต้องใช้ทัมป์ไดรฟ์กี่อันในการเก็บข้อมูล

Well, I was studying physics at the beginning

ครับ ผมกำลังเริ่มเรียนฟิสิกส์ในตอนนั้น

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

และผมก็ประมาณเอาว่า มนุษย์เป็นเลโก้ชิ้นใหญ่ยักษ์

So, imagine that the building blocks are little atoms

ฉะนั้น ลองนึกดูว่าโครงสร้างพื้นฐาน เป็นอะตอมเล็ก ๆ

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

และมีไฮโดรเจนอยู่ตรงนี้ คาร์บอนตรงนี้ ไนโตรเจนตรงนี้

So in the first approximation,

ฉะนั้นในการประมาณการครั้งแรก

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

ถ้าผมเขียนจำนวนของอะตอม ที่ถูกใช้สร้างมนุษย์ได้

I can build it.

ผมก็จะสร้างมันได้

Now, you can run some numbers

ตอนนี้ คุณสามารถลองดูจำนวนบางส่วนได้

and that happens to be quite an astonishing number.

และนั้นก็ค่อนข้างจะเป็นจำนวนที่น่าทึ่งทีเดียว

So the number of atoms,

จำนวนของอะตอม

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

ไฟล์ที่ผมจะเก็บไว้ในทัมป์ไดรฟ์ เพื่อที่จะประกอบเด็กทารกตัวเล็กขึ้นมา

will actually fill an entire Titanic of thumb drives --

จะกินพื้นที่ทั้งหมดของทัมป์ไดรฟ์จำนวนมาก --

multiplied 2,000 times.

คูณด้วย 2,000 ครั้ง

This is the miracle of life.

มันคืออัศจรรย์แห่งชีวิต

Every time you see from now on a pregnant lady,

ทุกครั้งที่คุณเห็นต่อไปจากนี้ หญิงตั้งครรภ์คนนี้

she's assembling the biggest amount of information

เธอกำลังรวบรวมปริมาณข้อมูล ที่มากมายที่สุด

that you will ever encounter.

ที่คุณจะเคยพบเคยเห็น

Forget big data, forget anything you heard of.

ลืมเรื่องบิ๊กเดต้าไปได้เลย ลืมทุกเรื่องที่คุณเคยได้ยิน

This is the biggest amount of information that exists.

นี่เป็นปริมาณของข้อมูลที่มากที่สุด ที่เคยปรากฏอยู่

(Applause)

(เสียงหัวเราะ)

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

แต่น่าเสียดายที่ธรรมชาติ ฉลาดกว่านักฟิสิกส์เด็ก ๆ นัก

and in four billion years, managed to pack this information

และในเวลาสี่พันล้านปี มันสามารถอัดข้อมูลนี้

in a small crystal we call DNA.

เข้าไปในผลึกเล็ก ๆ ที่เรียกว่า ดีเอ็นเอ

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

เราพบมันเป็นครั้งแรกในปี ค.ศ. 1950 เมื่อ โรสริน แฟรงคลิน

an amazing scientist, a woman,

นักวิทยาศาสตร์หญิงที่น่าทึ่ง

took a picture of it.

ถ่ายภาพมันเอาไว้ได้

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

แต่เราใช้เวลาอีกกว่า 40 ปี ก่อนจะ สามารถมองเข้าไปในเซลล์มนุษย์ได้

take out this crystal,

นำผลึกดังกล่าวออกมา

unroll it, and read it for the first time.

คลี่มันออก และอ่านมันได้เป็นครั้งแรก

The code comes out to be a fairly simple alphabet,

รหัสนั้นเป็นตัวอักษร ที่ค่อนข้างจะธรรมดาสามัญ

four letters: A, T, C and G.

สี่ตัวอักษร คือ A, T, C และ G

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

และเพื่อที่จะสร้างมนุษย์ คุณต้องการตัวอักษรนั้นสามพันล้านตัว

Three billion.

สามพันล้าน

How many are three billion?

สามพันล้านนี่มันมากแค่ไหน

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

จำนวนนั้น มันไม่ได้ช่วย ทำให้เรามองเห็นภาพเลย ใช่ไหมครับ

So I was thinking how I could explain myself better

ครับ ผมก็คิดเหมือนกัน ว่าทำอย่างไรจึงจะอธิบายได้ดีกว่านี้

about how big and enormous this code is.

เกี่ยวกับว่ารหัสที่ว่าใหญ่ยักษ์ขนาดไหน

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

แต่ว่า -- ผมหมายความว่า ผมกำลังจะขอความช่วยเหลือ

and the best person to help me introduce the code

และคนที่เหมาะสมที่สุด ที่จะมาช่วยผมแนะนำรหัสนี้

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

ก็คือ บุคคลแรกที่หาลำดับมันได้ ดร. เคร๊ก เวนเตอร์

So welcome onstage, Dr. Craig Venter.

ครับ ขอต้อนรับ ดร. เคร๊ก เวนเตอร์ ขึ้นมาบนเวทีด้วยครับ

(Applause)

(เสียงปรบมือ)

Not the man in the flesh,

ไม่ได้มาเป็นตัวเป็นตน

but for the first time in history,

แต่นี่เป็นครั้งแรกในประวัติศาสตร์

this is the genome of a specific human,

นี่คือจีโนมของบุคคลหนึ่ง

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

ที่ถูกตีพิมพ์เป็นหน้า ๆ ทุกตัวอักษร

262,000 pages of information,

ข้อมูลจำนวน 262,000 หน้า

450 kilograms, shipped from the United States to Canada

น้ำหนัก 450 กิโลกรัม ถูกส่งจากสหรัฐฯ ไปแคนาดา

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

ต้องขอขอบคุณ บรูโน โบวเดน, Lulu.com สตาร์ทอัพที่ทำทุกอย่าง

It was an amazing feat.

มันเป็นโครงสร้างที่น่าทึ่งครับ

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

แต่นี่เป็นมุมมองเชิงทัศนะ ว่ารหัสแห่งชีวิตคืออะไร

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

และตอนนี้ มันเป็นครั้งแรก ที่ผมจะได้ทำอะไรสนุก ๆ

I can actually poke inside it and read.

ผมสามารถมองเข้าไป และอ่านมันได้

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

ให้ผมเลือกหนังสือที่น่าสนใจสักเล่ม อย่างเช่น เล่มนี้

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

ผมมีความเห็นประกอบครับ มันเป็นหนังสือเล่มโต

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

เพื่อที่จะให้คุณเห็นภาพ ว่ารหัสแห่งชีวิตมีหน้าตาอย่างไร

Thousands and thousands and thousands

ตัวอักษรมากมาย

and millions of letters.

หลายพันล้าน

And they apparently make sense.

และมันก็สมเหตุสมผลครับ

Let's get to a specific part.

ลองมาดูส่วนจำเพาะกันบ้าง

Let me read it to you:

ให้ผมลองอ่านให้ฟังนะครับ

(Laughter)

(เสียงหัวเราะ)

"AAG, AAT, ATA."

"AAG, AAT, ATA"

To you it sounds like mute letters,

สำหรับคุณมันเหมือนเป็นตัวอักษร ที่ไม่มีความหมายอะไร

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

แต่ลำดับนี้ให้สีกับตาของเคร๊ก

I'll show you another part of the book.

ผมจะแสดงให้คุณเห็นอีกส่วนหนึ่ง ของหนังสือนี้

This is actually a little more complicated.

นี่มันซับซ้อนกว่าหน่อย

Chromosome 14, book 132:

โครโมโซม 14 หนังสือเล่มที่ 132

(Laughter)

(เสียงหัวเราะ)

As you might expect.

เป็นไปอย่างที่คุณคาด

(Laughter)

(เสียงหัวเราะ)

"ATT, CTT, GATT."

"ATT, CTT, GATT"

This human is lucky,

คนคนนี้โชคดีจังเลย

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

เพราะว่าถ้าตัวอักษรตกหล่นไปสองตัว ในตำแหน่งนี้ --

two letters of our three billion --

สองตัวอักษรจากสามพันล้าน --

he will be condemned to a terrible disease:

เขาจะเป็นโรคร้ายในทันที

cystic fibrosis.

ซึ่งมันก็คือ ซิย์สติกไฟโบรซิส

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

มันไม่มีวิธีรักษา เราไม่รู้ว่าจะต้องจัดการกับมันอย่างไร

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

และมันเป็นเพียงสองตัวอักษร ที่ต่างไปจากคนปกติ

A wonderful book, a mighty book,

หนังสือที่น่าทึ่ง หนังสือที่ทรงอนุภาพ

a mighty book that helped me understand

หนังสือที่ทำให้ผมเข้าใจ

and show you something quite remarkable.

และแสดงบางอย่างที่ค่อนข้างน่าทึ่ง ให้คุณได้ชม

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

สำหรับพวกคุณทุก ๆ คน -- สิ่งที่ ทำให้ผมเป็นผม ทำให้คุณเป็นคุณ --

is just about five million of these,

คือเพียงประมาณห้าล้านตัวอักษร

half a book.

ซึ่งคือหนังสือครึ่งเล่ม

For the rest,

ส่วนที่เหลือ

we are all absolutely identical.

เราทุกคนมีเหมือน ๆ กัน

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

ห้าล้านหน้าคืออัศจรรย์แห่งชีวิตของคุณ

The rest, we all share it.

ส่วนที่เหลือ เรามีเหมือน ๆ กัน

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

ฉะนั้น ลองมานึกกันดูอีกที เมื่อเราคิดว่าเราแตกต่างกัน

This is the amount that we share.

นี่คือปริมาณที่เรามีร่วมกัน

So now that I have your attention,

เอาล่ะ ในเมื่อตอนนี้คุณให้ความสนใจแล้ว

the next question is:

คำถามถัดไปก็คือ

How do I read it?

ผมจะอ่านมันได้อย่างไร

How do I make sense out of it?

ผมจะเข้าใจทั้งหมดนั่นได้อย่างไร

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

ครับ ไม่ว่าคุณจะเชี่ยวชาญ ในการต่อเครื่องเรือนจากสวีเดนสักแค่ไหน

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

คู่มือคำแนะนำนี้ ไม่ใช่สิ่งที่คุณ จะถอดความออกได้ในชั่วชีวิต

(Laughter)

(เสียงหัวเราะ)

And so, in 2014, two famous TEDsters,

และในปี ค.ศ. 2014 ชาว TED ผู้โด่งดังสองท่าน

Peter Diamandis and Craig Venter himself,

ปีเตอร์ ไดแมนดิส และเคร๊ก เวนเตอร์ เอง

decided to assemble a new company.

ตัดสินใจที่จะตั้งบริษัทใหม่

Human Longevity was born,

บริษัท ฮิวแมน ลองจิวิตี ก็เกิดขึ้น

with one mission:

ด้วยเป้าหมายหนึ่งคือ

trying everything we can try

พยายามทำทุกอย่างที่ทำได้

and learning everything we can learn from these books,

และเรียนรู้ทุกสิ่งทุกอย่างที่ทำได้ จากหนังสือเหล่านี้

with one target --

ด้วยเป้าหมายเดียว --

making real the dream of personalized medicine,

ทำให้ความฝัน เรื่องการแพทย์ส่วนบุคคลให้เป็นจริง

understanding what things should be done to have better health

ทำความเข้าใจว่าควรทำอะไร เพื่อที่จะให้มีสุขภาพที่ดี

and what are the secrets in these books.

และอะไรคือความลับของหนังสือเหล่านี้

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

กลุ่มคนที่น่าทึ่ง นักวิทยาศาสตร์ด้านข้อมูล 40 คน และผู้คนอีกมากมาย

a pleasure to work with.

ที่ผมรู้สึกเป็นเกียรติยิ่งที่ได้ร่วมงาน

The concept is actually very simple.

หลักการนั้นง่ายมากครับ

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

เรากำลังจะใช้เทคโนโลยี ที่เรียกว่า การเรียนรู้ของเครื่อง (machine learning)

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

ทางด้านหนึ่ง เรามีจีโนม -- มากมายเลยทีเดียว

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

อีกด้านหนึ่ง เราเก็บรวบรวมฐานข้อมูลที่ใหญ่ที่สุด ของมนุษย์ ตั้งแต่

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

ฟีโนไทป์ ภาพสแกนด์สามมิติ เอ็นเอ็มอาร์ -- ทุกอย่างที่เราจะนึกออก

Inside there, on these two opposite sides,

ภายในนั้น ทางด้านตรงข้าม

there is the secret of translation.

มันมีความลับของการแปล

And in the middle, we build a machine.

และตรงกลางนี้ เราสร้างเครื่อง

We build a machine and we train a machine --

เราสร้างเครื่องและเราสอนมัน --

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

ครับ ไม่ใช่เครื่องเดียว แต่หลายเครื่องมาก --

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

เพื่อทำความเข้าใจและแปลจีโนม ให้เป็นฟีโนไทป์

What are those letters, and what do they do?

ตัวหนังสือเหล่านั้นคืออะไร และพวกมันทำอะไร

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

มันเป็นวิธีการที่สามารถใช้ได้กับทุกอย่าง

but using it in genomics is particularly complicated.

แต่การใช้มันในจีโนมิก ค่อนข้างที่จะซับซ้อนเป็นพิเศษ

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

เราเติบโตทีละเล็กทีละน้อย และเราต้องการที่จะสร้างความท้าทายใหม่

We started from the beginning, from common traits.

เราเริ่มจากจุดเริ่มต้นจากลักษณะทั่วไป

Common traits are comfortable because they are common,

ลักษณะทั่วไปเป็นอะไรที่เราสบายใจ เพราะว่าพวกมันเป็นสิ่งที่พบทั่วไป

everyone has them.

ทุก ๆ คนมีมัน

So we started to ask our questions:

ฉะนั้น เราเริ่มถามคำถามที่ว่า

Can we predict height?

เราจะสามารถคาดคะเนส่วนสูงได้ไหม

Can we read the books and predict your height?

เราจะสามารถอ่านหังสือ และคาดเดาส่วนสูงของคุณได้ไหม

Well, we actually can,

ครับ อันที่จริงเราทำได้

with five centimeters of precision.

ด้วยความแม่นยำในระดับห้าเซนติเมตร

BMI is fairly connected to your lifestyle,

BMI ค่อนข้างที่จะเชื่อมโยง กับการใช้ชีวิตของคุณ

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

แต่เรายังสามารถ เราคาดการได้อย่างคร่าว ๆ ที่ระดับความแม่นยำแปดกิโลกรัม

Can we predict eye color?

เราจะสามารถคาดคะเนสีตาได้หรือไม่

Yeah, we can.

ครับ เราทำได้

Eighty percent accuracy.

ด้วยความแม่นยำแปดสิบเปอร์เซ็นต์

Can we predict skin color?

เราจะสามารถคาดคะเนสีผิวได้หรือไม่

Yeah we can, 80 percent accuracy.

ครับ เราทำได้ ด้วยความแม่นยำ 80 เปอร์เซ็นต์

Can we predict age?

เราจะสามารถคาดคะเนอายุได้หรือไม่

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

เราทำได้ครับ เพราะว่ารหัสเปลี่ยนไป ในช่วงต่าง ๆ ของชีวิตของคุณ

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

มันสั้นลง และคุณสูญเสียงบางชิ้นส่วนไป มันมีส่วนที่ถูกแทรกเข้าไป

We read the signals, and we make a model.

เราอ่านสัญญาณ และเราก็สร้างแบบจำลอง

Now, an interesting challenge:

ทีนี้ ความท้าทายที่น่าสนใจก็คือ

Can we predict a human face?

เราจะสามารถคาดคะเนหน้าของมนุษย์ได้หรือไม่

It's a little complicated,

มันค่อนข้างจะซับซ้อนสักหน่อย

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

เพราะว่าหน้าของมนุษย์กระจัดกระจาย อยู่ท่ามกลางตัวหนังสือนับล้านเหล่านี้

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

และหน้าของคน ก็ไม่ใช่สิ่งที่ถูกกำหนดไว้อย่างชัดเจน

So, we had to build an entire tier of it

ฉะนั้น เราจะต้องสร้าง ระดับต่าง ๆ ทั้งหมดสำหรับมัน

to learn and teach a machine what a face is,

เพื่อเรียนและสอนเครื่องว่าหน้าคืออะไร

and embed and compress it.

และฝังมัน และย่อมัน

And if you're comfortable with machine learning,

และถ้าคุณสบายใจกับการเรียนรู้ของเครื่อง

you understand what the challenge is here.

คุณจะเข้าใจว่าความท้าทายตรงนี้คืออะไร

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

ครับ หลังจาก 15 ปี -- 15 ปีหลังจากที่เราอ่านลำดับแรกได้ --

this October, we started to see some signals.

เดือนตุลาคมนี้ เราเริ่มที่จะเห็นสัญญาณบางอย่าง

And it was a very emotional moment.

และมันก็เป็นวินาทีที่น่าประทับใจยิ่ง

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

ที่คุณเห็นอยู่นี้คือตัวอย่างที่มายังห้องทดลอง

This is a face for us.

นี่คือหน้าของเรา

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

เราเอาหน้าจริง ๆ ของตัวอย่างมา เราลดความซับซ้อนลง

because not everything is in your face --

เพราะว่าไม่ใช่ว่าทุกอย่างจะอยู่ในหน้าของเรา --

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

ลักษณะและร่องรอย และความไม่สมมาตรต่าง ๆ ที่เกิดขึ้นในชีวิตประจำวัน

We symmetrize the face, and we run our algorithm.

เราสรุปโครงหน้าของเราและเราก็ใช้อัลกอริธึม

The results that I show you right now,

ผลที่ออกมาตรงนี้

this is the prediction we have from the blood.

เป็นการคาดคะเนที่เราได้จากเลือด

(Applause)

(เสียงปรบมือ)

Wait a second.

รอเดี๋ยวครับ

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

ตอนนี้ ตาของคุณกำลังมองไปทางซ้ายแล้วก็ขวา แล้วก็ซ้ายแล้วก็ขวา

and your brain wants those pictures to be identical.

และสมองของคุณ ก็ต้องการให้ภาพนั้นเหมือนกัน

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

ผมก็เลยอยากจะให้คุณลองทำอะไรบางอย่าง

Please search for the differences,

ลองมองหาความแตกต่างสิครับ

which are many.

มันมีอยู่หลายจุดทีเดียว

The biggest amount of signal comes from gender,

สัญญาณที่มากที่สุดมาจากเพศ

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

จากนั้นก็อายุ บีเอ็มไอ และองค์ประกอบเชื้อชาติของมนุษย์

And scaling up over that signal is much more complicated.

และการเพิ่มสัญญาณเพื่อกลบสิ่งเหล่านั้น เป็นอะไรที่ซับซ้อนกว่ามาก

But what you see here, even in the differences,

แต่ที่คุณเห็นอยู่ตรงนี้ แม้ว่ามันจะมีความแตกต่าง

lets you understand that we are in the right ballpark,

มันทำให้คุณเข้าใจ ว่าเราได้ภาพคร่าว ๆ ที่ถูกต้อง

that we are getting closer.

ที่จะทำให้เราใกล้ความจริงมากขึ้น

And it's already giving you some emotions.

และมันได้ให้ความรู้สึกบางอย่างกับคุณ

This is another subject that comes in place,

นี่คืออีกหนึ่งตัวอย่างที่เข้ามา

and this is a prediction.

และนี่คือการคาดคะเน

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

หน้านี้เล็กกว่านิดหน่อย เราไม่ได้เห็นโครงสร้างกระโหลกที่สมบูรณ์

but still, it's in the ballpark.

แต่ถึงกระนั้น มันก็เป็นภาพคร่าว ๆ

This is a subject that comes in our lab,

นี่คือตัวอย่างที่มาจากห้องทดลอง

and this is the prediction.

และนี่คือผลการคาดคะเน

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

คนเหล่านี้ไม่เคยถูกเห็นมาก่อน ในการสอนเครื่อง

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

มันถูกเรียกว่าชุด "เฮล-เอ้า" (held-out)

But these are people that you will probably never believe.

แต่ว่ามีคนที่ไม่เชื่อ

We're publishing everything in a scientific publication,

เราตีพิมพ์ทุกสิ่งทุกอย่าง ในวารสารทางวิทยาศาสตร์

you can read it.

คุณไปดูเอาก็ได้

But since we are onstage, Chris challenged me.

แต่เมื่อเรามาอยู่บนเวที คริสก็เลยท้าผม

I probably exposed myself and tried to predict

บางทีผมจะลองเสนอตัวและพยายามคาดคะเน

someone that you might recognize.

ใครบางคนที่คุณอาจจะรู้จัก

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

เอาล่ะ นี่เป็นหลอดบรรจุเลือด -- และเชื่อผมเหอะ คุณไม่รู้หรอกว่า

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

เราต้องทำอย่างไรบ้างถึงจะได้เลือดหลอดนี้มา แต่เอาล่ะ --

in this vial of blood is the amount of biological information

ในหลอดบรรจุเลือดนี้มีข้อมูลทางชีวภาพ

that we need to do a full genome sequence.

ที่เราต้องการในการสร้างลำดับจีโนมทั้งหมด

We just need this amount.

เราต้องการเพียงเท่านี้

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

เราดำเนินการหาลำดับและผมกำลังจะทำให้ดู

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

และเราจะเริ่มวางรากฐานข้อมูลที่เราได้

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

ในหลอดบรรจุเลือดนี้ เราคาดคะเนได้ว่า เขาเป็นผู้ชาย

And the subject is a male.

และตัวอย่างของเราก็เป็นผู้ชาย

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

เราคาดคะเนว่าเขาสูงหนึ่งเมตร กับ 76 เซนติเมตร

The subject is a meter and 77 cm.

ตัวอย่างของเราสูงหนึ่งเมตร กับอีก 77 เซนติเมตร

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

เราคาดคะเนว่า เขามีน้ำหนัก 76 ตัวอย่างของเรามีน้ำหนัก 82

We predict his age, 38.

เราคาดคะเนว่าเขาอายุ 38 ปี

The subject is 35.

ตัวอย่างของเรามีอายุ 35 ปี

We predict his eye color.

เราคาดคะแนสีตาของเขา

Too dark.

เข้มไปหน่อย

We predict his skin color.

เราคาดคะเนสีผิวของเขา

We are almost there.

เราเกือบจะได้แล้วครับ

That's his face.

และนี่คือหน้าของเขา

Now, the reveal moment:

ทีนี้ วินาทีแห่งความจริงครับ

the subject is this person.

คนคนนี้คือตัวอย่างของเรา

(Laughter)

(เสียงหัวเราะ)

And I did it intentionally.

และผมตั้งใจทำให้มันออกมาเป็นแบบนี้ครับ

I am a very particular and peculiar ethnicity.

ผมเองมีเชื้อชาติที่จำเพาะ และค่อนข้างจะแปลก

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

ผมเป็นชาวยุโรปทางตอนใต้ ชาวอิตาเลียน -- มันไม่เข้ากับแบบจำลองครับ

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

และรูปแบบจำเพาะนั่น -- เชื้อชาติดังกล่าว เป็นกรณีที่สร้างความซับซ้อนให้กับแบบจำลอง

But there is another point.

แต่มันยังมีอีกจุดหนึ่งครับ

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

สิ่งหนึ่งที่เราใช้บ่อย ๆ เพื่อไว้จดจำบุคคล

will never be written in the genome.

ไม่ได้ถูกบันทึกไว้ในจีโนมเลย

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

มันเป็นเจตจำนงเสรีของเรา มันเป็นหน้าตาของผม

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

ในกรณีนี้ ไม่ใช่ทรงผมของผม แต่เป็นลักษณะของหนวดเครา

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

ผมกำลังจะแสดงให้คุณดู ในกรณีนี้ ผมจะย้ายมัน --

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

และมันไม่มีอะไรไปมากกว่า การทำโฟโตช๊อป ไม่มีทำแบบจำลอง --

the beard on the subject.

หนวดของตัวอย่าง

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

และทันใดนั้นเอง เราได้ความรู้สึกที่ดีกว่ามาก ๆ

So, why do we do this?

แล้วทำไมเราถึงทำอย่างนี้น่ะหรือครับ

We certainly don't do it for predicting height

เราไม่ได้ทำแบบนี้ เพื่อคาดคะเนความสูง

or taking a beautiful picture out of your blood.

หรือถ่ายภาพสวย ๆ จากเลือด

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

เราทำแบบนี้เพราะว่าเทคโนโลยีเดียวกันนี้ และวิธีการเดียวกันนี้

the machine learning of this code,

การเรียนรู้เครื่องจากรหัสดังกล่าว

is helping us to understand how we work,

กำลังจะช่วยให้เราเข้าใจว่าเราเป็นเราได้อย่างไร

how your body works,

ร่ายกายของเราทำงานอย่างไร

how your body ages,

ร่างกายของคุณมีอายุเท่าไร

how disease generates in your body,

โรคภัยไข้เจ็บเกิดขึ้นในร่างกายของคุณได้อย่างไร

how your cancer grows and develops,

มะเร็งเติบโตขึ้นและพัฒนาไปได้อย่างไร

how drugs work

ยาทำงานอย่างไร

and if they work on your body.

และพวกมันได้ผลกับร่างกายของคุณหรือไม่

This is a huge challenge.

นี่เป็นความท้าทายที่ยิ่งใหญ่

This is a challenge that we share

นี่เป็นความท้าทายที่พวกเรามีร่วมกัน

with thousands of other researchers around the world.

กับนักวิจัยหลายพันทั่วโลก

It's called personalized medicine.

มันเรียกว่าการแพทย์ส่วนบุคคล

It's the ability to move from a statistical approach

มันเป็นความสามารถ ที่จะเปลี่ยนจากวิธีทางสถิติ

where you're a dot in the ocean,

ที่คุณเป็นเพียงจุดหนึ่งในมหาสมุทร

to a personalized approach,

ไปเป็นวิธีการทางการแพทย์ส่วนบุคคล

where we read all these books

ที่เราทุกคนอ่านหนังสือทั้งหมดนี้

and we get an understanding of exactly how you are.

และเราก็มีความเข้าใจ ว่าเรานั้นจริง ๆ แล้วเป็นอย่างไร

But it is a particularly complicated challenge,

แต่มันเป็นความท้าทายที่ซับซ้อนมากจริง ๆ

because of all these books, as of today,

เพราะว่า ณ เวลานี้ หนังสือทั้งหมดเหล่านี้

we just know probably two percent:

เรารู้เพียงแค่สองเปอร์เซ็นต์

four books of more than 175.

หนังสือสี่เล่มจากทั้งหมด 175

And this is not the topic of my talk,

และนี่ไม่ใช่หัวข้อของการบรรยายของผม

because we will learn more.

เพราะว่าเราจะเรียนรู้กันมากกว่านี้

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

มีคนฉลาด ๆ มากมายในโลกที่รู้เรื่องนี้

The prediction will get better,

การคาดคะเนจะดีขึ้น

the model will get more precise.

แบบจำลองจะมีความแม่นยำมากขึ้น

And the more we learn,

และยิ่งเราเรียนรู้

the more we will be confronted with decisions

เราก็ยิ่งจะต้องพบกับตัดสินใจ

that we never had to face before

ที่เราไม่เคยเผชิญหน้ามาก่อน

about life,

เกี่ยวกับชีวิต

about death,

เกี่ยวกับความตาย

about parenting.

เกี่ยวกับการเลี้ยงดู

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

ฉะนั้น เรากำลังเข้าใกล้รายละเอียดภายใน ว่าชีวิตนั้นเป็นเช่นใด

And it's a revolution that cannot be confined

และมันคือการปฏิวัติที่ไม่สามารถจะจำกัดได้

in the domain of science or technology.

ในเขตแดนของวิทยาศาสตร์และเทคโนโลยี

This must be a global conversation.

มันจะต้องเป็นการสนทนาระดับนานาชาติ

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

เราจะต้องเริ่มคิดถึงอนาคต ที่เรากำลังสร้างในฐานะมนุษยชาติ

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

เราต้องมีปฏิสัมพันธ์กับความสร้างสรรค์ กับศิลปิน กับนักปรัชญา

with politicians.

กับนักการเมือง

Everyone is involved,

ทุกคนมีส่วนร่วมในเรื่องนี้

because it's the future of our species.

เพราะว่ามันเป็นอนาคตของสายพันธุ์ของเรา

Without fear, but with the understanding

โดยปราศจากความเกรงกลัว แต่ด้วยความเข้าใจ

that the decisions that we make in the next year

ที่ว่าการตัดสินใจของเราในปีหน้า

will change the course of history forever.

จะเปลี่ยนแปลงประวัติศาสตร์ไปตลอดกาล

Thank you.

ขอบคุณครับ

(Applause)

(เสียงปรบมือ)