021-22889554
021-26703715
مشاوره آموزشی رایگان

021-22889554  |  021-26703715 مشاوره آموزشی رایگان

چگونگی خواندن نقشه ژنتیکی و تولید انسان

Riccardo Sabatini

How to read the genome and build a human being

Secrets, disease and beauty are all written in the human genome, the complete set of genetic instructions needed to build a human being. Now, as scientist and entrepreneur Riccardo Sabatini shows us, we have the power to read this complex code, predicting things like height, eye color, age and even facial structure -- all from a vial of blood. And soon, Sabatini says, our new understanding of the genome will allow us to personalize treatments for diseases like cancer. We have the power to change life as we know it. How will we use it?


تگ های مرتبط :

Biology, Choice, Complexity
در شانزده دقیقه‌ ی آینده شما را به سفری می‌ برم که احتمالا بزرگترین رویای بشریت است : فهمیدن رمز زندگی. همه چیز برای من ازسالها پیش آغاز شد وقتی اولین چاپگر سه بُعدی را دیدم. روش کار آن بسیار سحرآمیز بود هر چاپگر سه بعدی به سه عنصر نیاز دارد: مقداری اطلاعات ، مقداری ماده اولیه مقداری انرژی ، و می‌تواند هر شیء که پیش از این وجود نداشته را تولید کند. فیزیک می خواندم و در حال برگشت به خانه بودم و پی بردم که همیشه یک چاپگر سه بعدی را می شناختم. همه می شناسند. آن ، مادرم بود.
(خنده حاضران) مادرم سه عامل اصلی را دریافت می‌کند : ذره‌ای اطلاعات ، که در این مورد بین پدرم و مادرم است مواد خام و انرژی در همین رابطه که مواد خواراکی است ، و بعد از چند ماه ، مرا بوجود می‌آورد. ضمنا پیش از این من وجود خارجی نداشتم. اینکه مادرم شوکه شد وقتی فهمید که یک چاپگر سه بُعدی است به کنار ، من بی درنگ مبهوت بخش اول شدم اولین بخش ، اطلاعات . برای ساختنِ یک انسان چه مقدار اطلاعات نیاز است ؟ خیلی زیاد ؟ خیلی کم ؟ با آن ، چند فلش مموری را می توانید پُر کنید ؟ خوب ، اوایل من فیزیک مطالعه می‌کردم
و من یک انسان را بصورت یک لِگوی بزرگ فرض کردم بنابراین ، تصور کنید که هر قطعه ، یک اتم است . و یک هیدروژن اینجاست ، یک کربن اینجا ، یک نیتروژن اینجا . در اولین تخمین زدن اگر بتوانم تعداد اتمهایی که یک انسان از آنها ساخته شده را لیست کنم می‌توانم آنرا بسازم. اکنون ، می توانید اعداد را ردیف کنید و آن عدد بشدت شگفت آور است. تعداد اتمها فایلی که تعداد اتمهای یک کودک را روی فلش مموری بریزم ، در حقیقت ، یک کشتی تایتانیک را از فلش مموری پر خواهد کرد ضرب در دو هزار این است معجزه‌ی زندگی .
از الان ، هربار که زنی باردار دیدید ، او در حال سر هم کردن عظیم ترین میزانِ اطلاعاتی است که به عمرتان دیده اید. داده های بزرگ و هرچه شنیده اید را فراموش کنید این عظیم ترین میزان اطلاعات موجود است. (تشویق حاضران) اما خوشبختانه طبیعت از یک فیزیکدان جوان بسیار با هوش تر است و ظرف چهار میلیارد سال این اطلاعات را بسته بندی کرده است در کریستالی کوچک که ما آنرا دی اِن اِی می‌نامیم. اولین بار در سال ۱۹۵۰ با آن برخورد داشتیم وقتی که روزالیند فرنکلین دانشمندی شگفت انگیز ، یک زن از آن عکسبرداری کرد. اما چهل سال طول کشید که بتوانیم سلول انسان را بشکافیم
این کریستال را بیرون بیاوریم بازش کنیم و برای اولین آنرا بار بخوانیم الفبای این رمزها ، بسیار ساده از آب در آمد چهار حرف : A و T و C و G. و برای ساخت یک انسان شما به سه میلیارد از آنها نیاز دارید. سه میلیارد . سه میلیارد چقدر است ؟ بعنوان یک عدد ، زیاد قابل درک نیست درست ؟ بنابراین به این موضوع می اندیشیدم که چطور بهتر برای خودم تشریح کنم که این کُد ، تا چه اندازه بزرگ و عظیم است. راه حلی هم وجود دارد . الان به کمک احتیاج خواهم داشت. و بهترین کسی که برای معرفی این کد به من کمک می کند در حقیقت همان کسی است که برای اولین بار آنرا مرتب کرد ، دکتر کریگ ونتر
بسیار خوب ، دکتر کریگ ونتر تشویق بفرمایید. (تشویق حاضران) البته نه بصورت جسمانی اما برای اولین بار در تاریخ این نقشه ژنتیکیِ یک انسان ویژه است که صفحه به صفحه و حرف به حرف چاپ شده است دویست و شصت و دو هزار صفحه اطلاعات چهارصد و پنجاه کیلوگرم با کشتی از آمریکا به کانادا حمل شده است ضمن تشکر از برونو بودِن lulu.com ، یک استارتاپ همه کار کرد. شاهکار شگفت انگیزی بود کُدِ زندگی ، بصورت بصری به این شکل نمایان می شود. و حالا برای اولین بار می توانم کاری بامزه انجام دهم. در حقیقت می توانم یکی انتخاب کنم و بخوانم.
اجازه بدهید یک کتاب جالب توجه انتخاب کنم مثل این یکی. من حاشیه نویسی کردم ؛ کتاب خیلی بزرگی است. فقط برای اینکه شما ببینید کُد زندگی چگونه است هزاران و هزاران و هزاران و میلیونها حرف که ظاهرا بی معنا هستند اجازه بدهید به قسمت خاصی برویم اجازه دهید برایتان بخوانم : (خنده‌ی حاضران) «AAG , AAT ,ATA» برای شما این حروف بی معنا هستند اما این توالیِ حروف ، رنگ چشم را برای کریگ مشخص می کنند بخش دیگری از کتاب را نشانتان خواهم داد. درحقیقت این قسمت اندکی پیچیده است.
کروموزوم ۱۴، کتاب ۱۳۲ (خنده‌ی حاضران) همانطور که انتظار دارید. (خنده ی حاضران) «ATT, CTT, GATT» این انسان خوش شانسی است برای اینکه اگر کسی دو حرف در این موقعیت کم داشته باشد دو حرف از سه میلیارد محکوم به تحمل بیماری وحشتناکی خواهد شد سیستیک فایبروسیس ما درمان و راه حلی برای آن نمی دانیم. و با آنچه که هستیم فقط دو حرف فرق دارد. یک کتاب عجیب ، کتابِ اعظم کتاب اعظمی که به من کمک کرد تا بفهمم
و به شما یک نکته جالب توجه را نشان دهم. هرکدام از شما آنچه مرا من و شما را شما می کند فقط پنج میلیون از این حروف هستند نیمی از کتاب بقیه همگی ما کاملا یکسان هستیم پانصد صفحه ، معجزه ی زندگی که شما هستید. در بقیه موارد همگی مشترک هستیم. دوباره بیاندیشید وقتی که ما فکر میکنیم با هم متفاوتیم ما تا این اندازه با هم مشترکیم. حال که توجه شما را به خود جلب کرده ام پرسش بعدی این است : چگونه رمزها را بخوانم؟ چگونه معنی آنرا متوجه شوم ؟
خوب ، به همان خوبی که می توانید اثاثه سوئدی را بپینید این کتاب راهنما ، چیزی نیست که بتوانید در عمر خود، راز آنرا بشکافید (خنده ی حاضران) و اینگونه ، در سال ۲۰۱۴ دو نفر از سخنرانانِ مشهورِ TED پیتر دیاماندیس وخودِ کریگ ونتر تصمیم به تاسیس یک شرکت جدید گرفتند. « عمرِ انسان » متولد شد. با یک ماموریت : که تمام سعی مان را بکنیم و تا آنجا که می توانیم از این کتابها بیاموزیم با یک هدف جامه واقعیت پوشاندن به رویای طب شخصی فهمیدنِ اینکه چه چیزی باعث سلامتی و بهبود می شود.
و رازِ این کتابها چیست . یک تیم فوق العاده ، شامل چهل دانشمند متخصص پردازش داده ها و خیلی افراد دیگر که کار با آنها لذت بخش است ایده ی اصلی در حقیقت بسیار ساده است ما از تکنولوژی بنام « فراگیری ماشین» استفاده خواهیم کرد. از یک سو ، هزاران نقشه ژنتیکی در دست داریم. از سوی دیگر، بزرگترین اطلاعات مربوط به انسان را جمع آوری می کنیم رُخ نمودها ، اسکن های سه بُعدی، NMR هرچه که فکرش را بکنید. و در میان این دو راز ترجمه نهفته است و در میان ، ما یک دستگاه ساختیم ما یک دستگاه ساختیم و به آن آموختیم خوب البته نه یک دستگاه دستگاههای زیادی ساختیم
که نقشه ی ژنتیکی را بفهمد و به رُخ نمود ترجمه کند. این حروف چه هستند ، و چه کاری انجام می دهند؟ این رویکردی است که موارد استفاده ی بیشماری دارد. اما استفاده از آن مخصوصا در علم ژنتیک پیچیده است کم کم رشد کردیم و خواستیم تا چالش های مختلف بیافرینیم از نقطه ی آغاز شروع کردیم از شاخصه های مشترک شاخصه های مشترک آسان هستند چون مشترک هستند همه ، آنها را دارند بنابراین شروع به پرسش کردیم : آیا می توانیم قد را حدس بزنیم ؟ با خواندن کتابها می‌توان قدتان را حدس زد ؟ در حقیقت می توانیم با پنج ساتی متر اختلاف
وزنتان بشدت به شیوه‌ی زندگیتان مربوط است اما می توانیم با اختلاف هشت کیلوگرم آنرا حدس بزنیم رنگ چشم چطور ؟ بله ، می توانیم. با هشتاد درصد دقت. رنگ پوست را می توان حدس زد؟ بله می توانیم ، با ۸۰ درصد دقت رنگ پوست را حدس زد. سن را می توان حدس زد ؟ می توانیم ، چون ظاهرا کد در طول زندگی تغییر می کنند کوتاهتر می شود ،تکه هایی را از دست می دهید تکه های جدید بوجود می آیند ما علامتها را می خوانیم و نمونه را می سازیم و حالا یک چالش جالب : چهره یک فرد را می‌توان حدس زد؟
تا حدودی پیچیده است چون اطلاعات مربوط به چهره مابین میلیونها حرف پخش شده است و چهره ی انسان یک شیء تعریف شده مشخصی نیست ما مجبور شدیم که حلال این مشکل را بسازیم که به دستگاه بیاموزیم که یک چهره چیست و اطلاعات آنرا متراکم و جاسازی کند. و اگر شما با فراگیری ماشین آشنایی داشته باشید درک میکنید که چه چالشی در میان است بعد از ۱۵ سال که ما اولین توالیِ کدها را خواندیم اکتبر امسال ، نشانه هایی را دریافت کردیم. و آن ، لحظه ی بسیار هیجان انگیزی بود. آنچه که اینجا می بینید سوژه‌ای بود که وارد آزمایشگاه ما شد این چهره ای است که در اختیار داریم
بنابراین ما چهره ی سوژه را دریافت می کنیم از پیچیدگیهای آن می کاهیم چون هرچیزی درچهره ی شما نیست بسیاری از شاخصه ها و نارسایی و عدم تقارن در چهره از زندگیِ شما می آیند. ما چهره را متقارن می کنیم سپس الگوریتم مان را راه میاندازیم. نتایجی که من اکنون به شما نشان می دهم پیشگویی است که ما از روی نمونه خون انجام دادیم (تشویق حاضران) یک لحظه صبر کنید. در این لحظات ، چشمان شما به چپ و راست نگاه می کنند و مغز شما می خواهد که تصاویر شبیه به هم باشند بنابراین من از شما می خواهم که صادقانه طور دیگر عمل کنید. خواهش می کنم در جستجوی تفاوتها باشید
که زیاد هم هستند. بیشترین مقدار نشانه ها مربوط به جنسیت هستند ، بعد از آن ، سن ، وزن مولفه های نژادی یک فرد وافزایش یک نشانه کار را بسیار پیچیده تر می کند. اما با وجود اختلافها آنچه که شما می بینید به شما می فهماند که درست تخمین زده شده است، که ما نزدیکتر شده ایم. و همین حالا هم شما را هیجانزده کرده است. این سوژه ی دیگری است و این هم پیشگویی. چهره کوچکتر شده ، ما تمام ساختار جمجمه را درست حدس نزدیم اما همچنان ، درست حدس زده شده است این سوژه ای است که به آزمایشگاه ما آمد
و این هم چهره ی تخمین زده شده. این افراد در زمان تمرینِ ماشین هرگز حضور نداشتند. اینها دسته ی «ذخیره» نام دارند. اما همچنین اینها کسانی هستند که شما احتمالا باور نخواهید کرد. ما همه ی جزئیات را در یک نشریه علمی منتشر می کنیم، می توانید آنرا مطالعه کنید. اما از آنجائیکه ما روی صحنه هستیم کریس مرا به چالش کشید. که شاید خودم را به خطر بیاندازم و کسی را همینجا حدس بزنم کسی که شما بتوانید او را تشخیص دهید. در این شیشه محتوی خون-- باور کنید، فکرش را هم نمی کنید که الان برای بدست آوردن این، مجبور به انجام چه کاری شدیم. در این شیشه محتوی خون بقدری اطلاعات بیولوژیکی داریم
که برای درست کردن رشته کامل ژنها نیاز است فقط به همین اندازه نیاز داریم. اطلاعات را ردیف کردیم و من الان با شما آنرا انجام خواهم داد. و ما لایه به لایه به درک خود اضافه می کنیم. از این خون ، ما حدس زدیم که او یک مرد است و سوژه هم یک مرد است. حدس زدیم که قد او یک متر و ۷۶ سانتیمتر است. قد سوژه یک متر و ۷۷ سانتیمتر است. وزن او را ۷۶ کیلوگرم حدس زدیم سوژه ۸۲ کیلوگرم وزن دارد. سن او را ۳۸ سال تخمین زدیم سوژه ۳۵ سال سن دارد. رنگ چشمش را حدس زدیم. زیادی تیره شد.
رنگ پوست او را حدس زدیم. تقریبا درست حدس زدیم. این چهره ی اوست. و حالا ، لحظه ی فاش شدن : سوژه ، این فرد است. (خنده ی حاضران) و من عمدا این کار را کردم. من از یک نژاد خاص و عجیب هستم اروپایی جنوبی، ایتالیایی هرگز نمونه ی خوبی نیستند. و این خیلی خاص است ، نژادی که گوشه ی پیچیده ی پرونده ی نمونه های ماست اما یک موضوع دیگر هم وجود دارد. یکی از کارهایی که ما برای تشخیص افراد انجام می دهیم هرگز روی نقشه ژنتیکی ثبت نمی شود. این اراده ی آزاد ماست که من این شکلی هستم.
نه مدل موهای من در این مورد خاص، بلکه مدل ریش من. بنابراین الان نشانتان خواهم داد انرا جابجا خواهم کرد. و این چیزی نیست جز فتوشاپ، نمونه برداری نشده است ریش از روی سوژه جابجا می شود و بلافاصله ،حس بهتری به ما دست می دهد. چرا ما این کار را انجام می دهیم؟ مطمئنا ما اینکار را برای حدس اندازه قد انجام نمی دهیم یا اینکه چهره ای زیبا از خونِ شما استخراج کنیم اینکار را می‌کنیم چون همین تکنولوژی و همین رویکرد فراگیریِ ماشین از این کُد ما را در فهمیدنِ اینکه چگونه کار می کنیم کمک می کند. اینکه بدنِ شما چگونه کار می کند چگونه بدن شما پیر می شود
چگونه بیماری در جسم شما بوجود می آید. سرطانِ شما چگونه پیشرفت می کند. داروها چگونه کار می کنند. و آیا اصلا در بدن شما کارآیی دارند . این چالش بسیار بزرگی است. این چالشی است مشترک بین ما و هزاران محقق در سراسر جهان. نامش طب شخصی است. توانایی حرکت از رویکرد آماری جائیکه شما قطره‌ای هستید از دریا به رویکرد شخصی است ، جائیکه ما تمام این کتابها را می‌خوانیم و بطور کامل از آنچه شما هستید آگاه می شویم. اما این چالش بسیار پیچیده است
چون تا به امروز فقط حدود دو درصد از این کتابها را می‌فهمیم. چهار کتاب از بیش از ۱۷۵ کتاب. و این موضوع بحث امروز من نیست ، چون ما باز هم خواهیم آموخت. بهترین مغزهای جهان مشغول مطالعه روی این موضوع هستند. بهتر تخمین خواهیم زد. نمونه ها دقیق تر خواهند شد. و هرچه بیشتر بیاموزیم، بیشتر با این تصمیم‌ها روبرو خواهیم شد که تا پیش از این مجبور نبودیم با آنها روبرو شویم درباره زندگی درباره مرگ درباره پدر و مادر شدن ما در حال لمس درونی ترین جزئیات زندگی هستیم.
و این انقلابی است که نمی تواند محدود شود در محدوده ی علم و تکنولوژی. باید گفتگوی جهانی شکل بگیرد. ما باید به آینده ای که بعنوان انسان در حال ساخت آن هستیم بیاندیشیم. باید با نوابغ ، هنرمندان و فلاسفه و با سیاستمدارن داد و ستد داشته باشیم. همه درگیر هستند. چون این ، آینده ی گونه ی ماست. بدون ترس اما همراه با فهم و درک که تصمیماتی که ما در سال آینده می گیریم مسیر تاریخ را برای همیشه تغییر خواهد داد. سپاسگزارم. (
For the next 16 minutes, I'm going to take you on a journey that is probably the biggest dream of humanity: to understand the code of life. So for me, everything started many, many years ago when I met the first 3D printer. The concept was fascinating. A 3D printer needs three elements: a bit of information, some raw material, some energy, and it can produce any object that was not there before. I was doing physics, I was coming back home and I realized that I actually always knew a 3D printer. And everyone does. It was my mom.
(Laughter) My mom takes three elements: a bit of information, which is between my father and my mom in this case, raw elements and energy in the same media, that is food, and after several months, produces me. And I was not existent before. So apart from the shock of my mom discovering that she was a 3D printer, I immediately got mesmerized by that piece, the first one, the information. What amount of information does it take to build and assemble a human? Is it much? Is it little? How many thumb drives can you fill?
Well, I was studying physics at the beginning and I took this approximation of a human as a gigantic Lego piece. So, imagine that the building blocks are little atoms and there is a hydrogen here, a carbon here, a nitrogen here. So in the first approximation, if I can list the number of atoms that compose a human being, I can build it. Now, you can run some numbers and that happens to be quite an astonishing number. So the number of atoms, the file that I will save in my thumb drive to assemble a little baby, will actually fill an entire Titanic of thumb drives --
multiplied 2,000 times. This is the miracle of life. Every time you see from now on a pregnant lady, she's assembling the biggest amount of information that you will ever encounter. Forget big data, forget anything you heard of. This is the biggest amount of information that exists. (Applause) But nature, fortunately, is much smarter than a young physicist, and in four billion years, managed to pack this information in a small crystal we call DNA. We met it for the first time in 1950 when Rosalind Franklin, an amazing scientist, a woman,
took a picture of it. But it took us more than 40 years to finally poke inside a human cell, take out this crystal, unroll it, and read it for the first time. The code comes out to be a fairly simple alphabet, four letters: A, T, C and G. And to build a human, you need three billion of them. Three billion. How many are three billion? It doesn't really make any sense as a number, right? So I was thinking how I could explain myself better about how big and enormous this code is. But there is -- I mean, I'm going to have some help,
and the best person to help me introduce the code is actually the first man to sequence it, Dr. Craig Venter. So welcome onstage, Dr. Craig Venter. (Applause) Not the man in the flesh, but for the first time in history, this is the genome of a specific human, printed page-by-page, letter-by-letter: 262,000 pages of information, 450 kilograms, shipped from the United States to Canada thanks to Bruno Bowden, Lulu.com, a start-up, did everything. It was an amazing feat. But this is the visual perception of what is the code of life.
And now, for the first time, I can do something fun. I can actually poke inside it and read. So let me take an interesting book ... like this one. I have an annotation; it's a fairly big book. So just to let you see what is the code of life. Thousands and thousands and thousands and millions of letters. And they apparently make sense. Let's get to a specific part. Let me read it to you: (Laughter) "AAG, AAT, ATA." To you it sounds like mute letters,
but this sequence gives the color of the eyes to Craig. I'll show you another part of the book. This is actually a little more complicated. Chromosome 14, book 132: (Laughter) As you might expect. (Laughter) "ATT, CTT, GATT." This human is lucky, because if you miss just two letters in this position -- two letters of our three billion -- he will be condemned to a terrible disease: cystic fibrosis. We have no cure for it, we don't know how to solve it,
and it's just two letters of difference from what we are. A wonderful book, a mighty book, a mighty book that helped me understand and show you something quite remarkable. Every one of you -- what makes me, me and you, you -- is just about five million of these, half a book. For the rest, we are all absolutely identical. Five hundred pages is the miracle of life that you are. The rest, we all share it. So think about that again when we think that we are different. This is the amount that we share.
So now that I have your attention, the next question is: How do I read it? How do I make sense out of it? Well, for however good you can be at assembling Swedish furniture, this instruction manual is nothing you can crack in your life. (Laughter) And so, in 2014, two famous TEDsters, Peter Diamandis and Craig Venter himself, decided to assemble a new company. Human Longevity was born, with one mission: trying everything we can try and learning everything we can learn from these books,
with one target -- making real the dream of personalized medicine, understanding what things should be done to have better health and what are the secrets in these books. An amazing team, 40 data scientists and many, many more people, a pleasure to work with. The concept is actually very simple. We're going to use a technology called machine learning. On one side, we have genomes -- thousands of them. On the other side, we collected the biggest database of human beings: phenotypes, 3D scan, NMR -- everything you can think of. Inside there, on these two opposite sides,
there is the secret of translation. And in the middle, we build a machine. We build a machine and we train a machine -- well, not exactly one machine, many, many machines -- to try to understand and translate the genome in a phenotype. What are those letters, and what do they do? It's an approach that can be used for everything, but using it in genomics is particularly complicated. Little by little we grew and we wanted to build different challenges. We started from the beginning, from common traits. Common traits are comfortable because they are common, everyone has them.
So we started to ask our questions: Can we predict height? Can we read the books and predict your height? Well, we actually can, with five centimeters of precision. BMI is fairly connected to your lifestyle, but we still can, we get in the ballpark, eight kilograms of precision. Can we predict eye color? Yeah, we can. Eighty percent accuracy. Can we predict skin color? Yeah we can, 80 percent accuracy. Can we predict age? We can, because apparently, the code changes during your life.
It gets shorter, you lose pieces, it gets insertions. We read the signals, and we make a model. Now, an interesting challenge: Can we predict a human face? It's a little complicated, because a human face is scattered among millions of these letters. And a human face is not a very well-defined object. So, we had to build an entire tier of it to learn and teach a machine what a face is, and embed and compress it. And if you're comfortable with machine learning, you understand what the challenge is here. Now, after 15 years -- 15 years after we read the first sequence --
this October, we started to see some signals. And it was a very emotional moment. What you see here is a subject coming in our lab. This is a face for us. So we take the real face of a subject, we reduce the complexity, because not everything is in your face -- lots of features and defects and asymmetries come from your life. We symmetrize the face, and we run our algorithm. The results that I show you right now, this is the prediction we have from the blood. (Applause) Wait a second. In these seconds, your eyes are watching, left and right, left and right,
and your brain wants those pictures to be identical. So I ask you to do another exercise, to be honest. Please search for the differences, which are many. The biggest amount of signal comes from gender, then there is age, BMI, the ethnicity component of a human. And scaling up over that signal is much more complicated. But what you see here, even in the differences, lets you understand that we are in the right ballpark, that we are getting closer. And it's already giving you some emotions. This is another subject that comes in place,
and this is a prediction. A little smaller face, we didn't get the complete cranial structure, but still, it's in the ballpark. This is a subject that comes in our lab, and this is the prediction. So these people have never been seen in the training of the machine. These are the so-called "held-out" set. But these are people that you will probably never believe. We're publishing everything in a scientific publication, you can read it. But since we are onstage, Chris challenged me. I probably exposed myself and tried to predict
someone that you might recognize. So, in this vial of blood -- and believe me, you have no idea what we had to do to have this blood now, here -- in this vial of blood is the amount of biological information that we need to do a full genome sequence. We just need this amount. We ran this sequence, and I'm going to do it with you. And we start to layer up all the understanding we have. In the vial of blood, we predicted he's a male. And the subject is a male. We predict that he's a meter and 76 cm. The subject is a meter and 77 cm.
So, we predicted that he's 76; the subject is 82. We predict his age, 38. The subject is 35. We predict his eye color. Too dark. We predict his skin color. We are almost there. That's his face. Now, the reveal moment: the subject is this person. (Laughter) And I did it intentionally. I am a very particular and peculiar ethnicity. Southern European, Italians -- they never fit in models.
And it's particular -- that ethnicity is a complex corner case for our model. But there is another point. So, one of the things that we use a lot to recognize people will never be written in the genome. It's our free will, it's how I look. Not my haircut in this case, but my beard cut. So I'm going to show you, I'm going to, in this case, transfer it -- and this is nothing more than Photoshop, no modeling -- the beard on the subject. And immediately, we get much, much better in the feeling. So, why do we do this? We certainly don't do it for predicting height
or taking a beautiful picture out of your blood. We do it because the same technology and the same approach, the machine learning of this code, is helping us to understand how we work, how your body works, how your body ages, how disease generates in your body, how your cancer grows and develops, how drugs work and if they work on your body. This is a huge challenge. This is a challenge that we share with thousands of other researchers around the world.
It's called personalized medicine. It's the ability to move from a statistical approach where you're a dot in the ocean, to a personalized approach, where we read all these books and we get an understanding of exactly how you are. But it is a particularly complicated challenge, because of all these books, as of today, we just know probably two percent: four books of more than 175. And this is not the topic of my talk, because we will learn more. There are the best minds in the world on this topic.
The prediction will get better, the model will get more precise. And the more we learn, the more we will be confronted with decisions that we never had to face before about life, about death, about parenting. So, we are touching the very inner detail on how life works. And it's a revolution that cannot be confined in the domain of science or technology. This must be a global conversation. We must start to think of the future we're building as a humanity.
We need to interact with creatives, with artists, with philosophers, with politicians. Everyone is involved, because it's the future of our species. Without fear, but with the understanding that the decisions that we make in the next year will change the course of history forever. Thank you. (Applause)