0:00:00.612,0:00:03.484
接下来的一刻钟，我要带大家踏上一段旅程

0:00:03.484,0:00:06.574
这大概是全人类的终极梦想——

0:00:06.574,0:00:09.208
解读生命的密码！

0:00:09.208,0:00:11.426
我的经历开始于很多很多年以前，

0:00:11.426,0:00:14.219
那时我遇到了第一台3D打印机。

0:00:14.219,0:00:16.572
3D打印真是个非常赞的概念

0:00:16.572,0:00:18.110
它需要三个要素：

0:00:18.110,0:00:22.176
少量的信息，一些原材料，再加上点能量

0:00:22.176,0:00:25.838
就能制造出以前从没存在过的任何东西。

0:00:25.838,0:00:28.077
当时我正在研究物理学

0:00:28.077,0:00:31.917
有天我回到家，突然意识到我家里就有台3D打印机

0:00:31.917,0:00:33.454
而且每人家里都有一台

0:00:33.454,0:00:35.327
就是我妈妈。

0:00:35.327,0:00:38.121
我妈妈用这三个要素：

0:00:38.145,0:00:39.495
少量的信息——

0:00:39.495,0:00:42.142
来自我爸和我妈的共同投入

0:00:42.142,0:00:46.299
原材料和能量的共同来源——食物

0:00:46.323,0:00:48.831
历时几个月，制造出了我

0:00:48.855,0:00:50.667
而我以前从来没有存在过！

0:00:50.691,0:00:54.453
除了震惊的发现我妈其实是台3D打印机

0:00:54.477,0:00:59.215
我还立即被另一个部分吸引了

0:00:59.239,0:01:00.956
第一个要素，信息——

0:01:00.980,0:01:03.231
到底需要多少信息

0:01:03.255,0:01:05.191
才能制造和组装一个人呢？

0:01:05.215,0:01:06.789
是要很多？还是很少？

0:01:06.813,0:01:08.993
要用多少个U盘去储存？

0:01:09.017,0:01:11.641
我最开始是学物理的，

0:01:11.665,0:01:17.262
我想如果把人看成是一个巨型的乐高玩具

0:01:17.286,0:01:21.071
小的乐高模块就像是原子——

0:01:21.095,0:01:25.748
这里有氢原子，这边有碳原子，上面这有氮原子。

0:01:25.772,0:01:27.343
按照最初的这个设定

0:01:27.367,0:01:31.710
如果能够列出组成人类的所有原子

0:01:31.734,0:01:33.121
应该就能组装出一个人。

0:01:33.145,0:01:35.174
大致计算一下

0:01:35.198,0:01:38.475
得到的结果非常惊人。

0:01:38.499,0:01:41.256
所需要的原子的总数，

0:01:41.304,0:01:46.059
全部存到U盘里面——即便是组装一个小婴儿

0:01:46.059,0:01:50.726
用掉的U盘就能装满整个泰坦尼克号

0:01:50.750,0:01:53.468
再乘以2000倍...

0:01:53.957,0:01:57.358
这就是生命的奇迹。

0:01:57.382,0:02:00.022
现在你再看到一个孕妇

0:02:00.022,0:02:04.294
她正在组装你能见到的最大量的信息

0:02:04.478,0:02:07.428
不要谈大数据，不要谈以前听说过的数字

0:02:07.452,0:02:10.913
这就是现存的，最最大量的信息。

0:02:10.913,0:02:12.207
（掌声）

0:02:12.207,0:02:13.494
但是......

0:02:14.214,0:02:18.858
好在大自然比一个年轻的物理学家要聪明多了。

0:02:18.882,0:02:20.822
在四十亿年的进化过程中

0:02:20.822,0:02:25.187
这些信息被压缩在叫做DNA的小晶体当中。

0:02:25.605,0:02:28.461
在1950年代我们第一次知道了DNA

0:02:28.461,0:02:31.497
那时一位杰出的女科学家Rosalind Franklin

0:02:31.521,0:02:32.910
给DNA拍了张照

0:02:32.934,0:02:35.636
但我们花了超过40年的时间，

0:02:35.636,0:02:39.206
才最终能够从人类细胞中提取这种晶体，

0:02:39.206,0:02:42.848
展开来，第一次去阅读它。

0:02:43.615,0:02:46.906
这个遗传密码由简单的字母表组成，

0:02:46.906,0:02:50.652
四个字母，A，T，C和G （碱基）。

0:02:50.652,0:02:54.192
要组装一个人，需要30亿个字母。

0:02:54.933,0:02:57.602
30亿....30亿是多少？

0:02:57.739,0:03:00.501
光这么说大家可能都没概念，

0:03:00.525,0:03:04.610
我在想怎么表达才能让人更清楚，

0:03:04.634,0:03:07.684
这些遗传密码的数量到底有多庞大。

0:03:07.708,0:03:10.762
所以...我需要点帮助...

0:03:10.786,0:03:14.013
最合适来帮我介绍遗传密码的人，

0:03:14.037,0:03:16.353
就是第一位进行人类基因组测序的人，

0:03:16.353,0:03:17.937
Craig Venter 博士。

0:03:17.937,0:03:21.918
我们欢迎Craig Venter博士到台上来——

0:03:21.918,0:03:26.598
（掌声）

0:03:27.952,0:03:30.208
不是他本人——

0:03:31.448,0:03:36.813
但这是史上第一次，一个人的基因组

0:03:36.813,0:03:41.079
被一页一页，一个字母一个字母的打印在纸上——

0:03:41.087,0:03:47.253
总共26万2千页，450千克，

0:03:47.253,0:03:49.781
从美国运到加拿大

0:03:49.781,0:03:52.592
感谢Bruno Bowden还有 Lulu.com——

0:03:52.592,0:03:55.782
他们负责完成了这一切，一项壮举。

0:03:55.782,0:04:00.336
这些就是生命密码给人最直观的视觉感受。

0:04:00.336,0:04:02.648
现在我可以来玩点有趣的——

0:04:02.672,0:04:05.219
从这里面挑一段来读一读。

0:04:05.243,0:04:09.868
我来找一本有意思的...比如这一本...

0:04:13.077,0:04:15.611
我放了书签在里面，这书太厚了...

0:04:15.635,0:04:19.362
给你们看一下，生命的密码长什么样子

0:04:20.566,0:04:26.237
成百上千...成千上万...上百万的字母...

0:04:26.675,0:04:29.071
它们当然都有意义。

0:04:29.095,0:04:30.852
让我来找一段特殊的

0:04:31.571,0:04:33.113
读给你们听...

0:04:34.002,0:04:38.008
"AAG, AAT, ATA"

0:04:38.965,0:04:41.302
你们可能觉得像是听天书，

0:04:41.302,0:04:45.097
但这段序列决定了Craig眼睛的颜色。

0:04:45.633,0:04:47.565
在看看另外一段...

0:04:47.589,0:04:49.683
这一段稍微复杂一些...

0:04:50.983,0:04:53.630
第14号染色体，书本编号132...

0:04:53.654,0:04:55.744
（笑声）

0:04:55.768,0:04:57.235
你们想象到了哦...

0:04:57.235,0:05:00.535
（笑声）

0:05:02.857,0:05:07.364
"ATT, CTT, GATT"

0:05:08.329,0:05:10.016
这个人很幸运，

0:05:10.040,0:05:14.557
因为如果他在这个位点上少了2个字母，

0:05:14.581,0:05:16.458
30亿中的2个...

0:05:16.482,0:05:18.501
他就会患上一种非常可怕的疾病——

0:05:18.525,0:05:20.015
囊肿性纤维化（cystic fibrosis）

0:05:20.015,0:05:23.402
目前没有治疗的方法，这是绝症，

0:05:23.426,0:05:27.181
仅仅是2个字母的区别。

0:05:27.585,0:05:30.290
这是一部鸿篇巨著，

0:05:31.115,0:05:34.487
它帮助我理解，也能让你们看到

0:05:34.487,0:05:36.649
一件更加另人叹为观止的事。

0:05:36.649,0:05:38.489
我们中的每一个人，

0:05:38.489,0:05:41.337
是什么让我成为我，让你成为你...

0:05:41.337,0:05:44.305
大概只占这其中的500万...

0:05:44.305,0:05:46.422
只有半本书...

0:05:46.422,0:05:50.264
所有剩下的，我们完全一模一样。

0:05:51.008,0:05:55.026
500页，涵盖了你的生命奇迹；

0:05:55.050,0:05:57.581
余下的，我们全都一样。

0:05:57.605,0:06:00.514
讨论人与人差异的时候反思一下，

0:06:00.538,0:06:02.759
我们有这么多共通的东西。

0:06:03.441,0:06:06.870
现在我已经引起了你们的兴趣，

0:06:06.894,0:06:08.253
下一步就是：

0:06:08.277,0:06:09.428
怎么去读取这些信息？

0:06:09.452,0:06:11.191
怎么理解和运用它们？

0:06:11.409,0:06:15.649
不管你在组装宜家家居上有多在行...

0:06:15.673,0:06:19.236
这么长的说明书...基本是不可能完成的任务

0:06:20.207,0:06:23.999
2014年，两位著名的TED参加者

0:06:24.023,0:06:26.563
Peter Diamandis 和 Craig Venter

0:06:26.587,0:06:28.514
决定成立一个新公司

0:06:28.538,0:06:29.950
人类长寿公司（Human Longevity, Inc.）诞生了。

0:06:29.974,0:06:31.344
唯一的任务——

0:06:31.368,0:06:35.949
竭尽全力，穷尽其学的研究这些书目

0:06:36.036,0:06:37.741
只为达到一个目的：

0:06:38.862,0:06:41.663
让个人化医疗成为现实。

0:06:41.687,0:06:45.454
怎么做才能提高人类健康水平

0:06:45.478,0:06:47.761
了解这些书目背后的秘密。

0:06:48.329,0:06:50.913
一个强大的团队，拥有40位数据分析人员

0:06:50.913,0:06:52.603
还有很多其他的人力支持

0:06:52.603,0:06:53.953
和他们一起工作十分愉快。

0:06:53.977,0:06:56.230
实际上工作流程不很复杂

0:06:56.254,0:06:59.412
我们用一种叫做机器学习的方法。

0:06:59.436,0:07:03.975
一方面，我们有几千个基因组；

0:07:03.999,0:07:07.996
另一边我们建立一个超大的人类信息数据库：

0:07:08.020,0:07:12.316
性状，3D扫描，核磁共振，所有能想到的

0:07:12.340,0:07:15.239
在这两个端点之间，

0:07:15.263,0:07:17.705
有神秘的翻译在进行。

0:07:17.729,0:07:20.201
我们在中间建了一个机器，

0:07:20.801,0:07:23.186
建好之后训练这台机器——

0:07:23.210,0:07:26.420
实际上不只一台机器，而是很多台...

0:07:26.444,0:07:30.988
试图去理解基因组并把它翻译成性状。

0:07:31.362,0:07:34.702
有哪些字母——它们控制什么性状——

0:07:34.726,0:07:37.473
这是普适的方法，可以用在所有问题上，

0:07:37.497,0:07:40.490
但用在基因组学上异常的复杂。

0:07:40.514,0:07:43.790
一点一点有了进展，我们再尝试更有挑战性的东西

0:07:43.814,0:07:46.546
最开始我们从常见的特征下手，

0:07:46.570,0:07:49.173
常见特征最容易因为它们太常见了，

0:07:49.197,0:07:50.381
每个人都有。

0:07:50.405,0:07:52.899
我们开始提出如下问题：

0:07:52.923,0:07:54.303
能预测身高吗？

0:07:54.985,0:07:57.162
能不能根据这些信息预测身高？

0:07:57.186,0:08:00.067
可以，在5厘米的误差范围以内。

0:08:00.178,0:08:03.313
BMI 主要跟生活习惯有关，

0:08:03.337,0:08:07.201
但我们仍然能预测得差不多，8千克上下的误差。

0:08:07.225,0:08:08.596
眼睛的颜色能不能预测？

0:08:08.596,0:08:11.128
可以，80%准确率。

0:08:11.466,0:08:13.324
皮肤颜色？

0:08:13.348,0:08:15.789
可以，80%准确。

0:08:15.813,0:08:18.123
年龄？

0:08:18.123,0:08:21.860
可以，因为很明显基因随着年龄产生变化。

0:08:21.884,0:08:25.166
DNA 会变短，缺失一些片段，插入另外一些片段

0:08:25.190,0:08:27.745
我们读取这些信号，然后建立模型。

0:08:28.438,0:08:29.913
现在来个有意思点的挑战：

0:08:29.937,0:08:31.666
我们能不能预测人的面孔？

0:08:33.014,0:08:34.292
这个略有点复杂，

0:08:34.316,0:08:37.507
因为有几百万个碱基都对人脸产生影响。

0:08:37.531,0:08:40.160
而且人脸并不是一个构造十分精准的物体。

0:08:40.184,0:08:42.235
所以必须要建立一整个单独的模块，

0:08:42.259,0:08:44.969
给机器去训练和学习人脸是什么，

0:08:44.993,0:08:47.030
再把这个模块压缩整合进去。

0:08:47.054,0:08:49.302
如果你对机器学习有点概念的话，

0:08:49.326,0:08:51.610
就能够想象这个挑战是有多大。

0:08:52.108,0:08:58.099
现在15年过去了——15年前我们读取第一条序列

0:08:58.123,0:09:01.025
——今年10月，我们总算有了些进展，

0:09:01.049,0:09:03.504
当时还是很激动人心的。

0:09:03.528,0:09:09.363
这是我们的一个测试对象，一张人的脸——

0:09:09.571,0:09:13.202
我们要对测试对象的面孔进行简化，

0:09:13.226,0:09:15.196
因为并不是所有的特征都是面孔的一部分——

0:09:15.220,0:09:19.006
很多特点、缺陷和不对称是生活的痕迹。

0:09:19.030,0:09:22.639
把面孔调整对称之后，跟我们运算的结果比较。

0:09:23.245,0:09:29.063
现在给你们看，我们根据血液样本生成的预测。

0:09:29.596,0:09:31.120
（掌声）

0:09:31.144,0:09:32.579
等一下——

0:09:32.603,0:09:37.295
你们的眼睛正在左右两边交替看，

0:09:37.319,0:09:41.249
大脑希望两幅图是一模一样的。

0:09:41.273,0:09:43.719
我其实想请大家反过来，

0:09:43.743,0:09:46.030
找找两幅图的不同点，

0:09:46.054,0:09:47.415
其实非常多。

0:09:47.439,0:09:50.042
性别提供最多的信息，

0:09:50.066,0:09:55.267
接下来是年龄，BMI（体质指数），种族；

0:09:55.291,0:09:59.002
再考虑更多因素会变得更加复杂。

0:09:59.026,0:10:02.276
但是这样的结果，即便有很多不同，

0:10:02.300,0:10:05.895
表示我们已经接近了，

0:10:05.919,0:10:09.637
正在逐渐靠得更近——而且这已经能够鼓舞人心了

0:10:09.664,0:10:12.367
这是另外一个测试对象，

0:10:12.391,0:10:13.800
这边是预测结果。

0:10:13.824,0:10:18.420
脸小了一点，完整的颅骨结构没预测到。

0:10:18.444,0:10:21.095
但至少像那么回事。

0:10:21.634,0:10:23.858
这是又一个测试对象，

0:10:23.882,0:10:25.325
这是预测结果。

0:10:26.056,0:10:30.732
这些面孔在训练机器的时候是没有用过的，

0:10:30.756,0:10:33.593
就是所谓的随机测试组。

0:10:33.617,0:10:37.357
并且你们不认识这些人，可能说服力不太够。

0:10:37.381,0:10:40.057
我们在学术期刊上发表了这些结果，

0:10:40.081,0:10:41.232
你们可以去读一下。

0:10:41.256,0:10:43.600
但既然我们在台上，Chris 给我出了个点子，

0:10:43.624,0:10:50.130
我可以挑战一下，尝试预测一个你们都认识的人。

0:10:50.470,0:10:54.895
这里有管血液——你们很难想象

0:10:54.919,0:10:57.799
我们为了带一管血液到这里花了多少工夫...

0:10:57.823,0:11:03.824
这支试管里的血液足够完成一次全基因组测序

0:11:04.049,0:11:06.119
只需要这么多。

0:11:06.528,0:11:09.733
完成了测序，下面我们一条条来看——

0:11:09.757,0:11:13.736
我们综合了所有已知的信息——

0:11:13.760,0:11:17.110
从血液测试的结果，我们预测这是一名男性，

0:11:17.134,0:11:18.498
被试是男性。

0:11:18.996,0:11:21.434
预测他身高1米76，

0:11:21.458,0:11:23.850
被试身高1米77。

0:11:23.874,0:11:27.984
预测他体重76kg，被试是82kg；

0:11:28.701,0:11:31.333
我们还预测了年龄，38岁

0:11:31.357,0:11:33.261
被试实际是35岁。

0:11:33.851,0:11:38.015
预测了眼睛的颜色，有点偏深了；

0:11:38.059,0:11:39.614
预测他的皮肤颜色，

0:11:40.026,0:11:41.436
基本上准确。

0:11:41.899,0:11:43.752
这是他的面孔...

0:11:45.172,0:11:48.441
现在到了揭晓的时刻：

0:11:48.465,0:11:50.235
被试对象是这个人。

0:11:50.259,0:11:52.194
（笑声）

0:11:52.218,0:11:54.276
我是有意拿自己做测试的，

0:11:54.300,0:11:57.992
我属于一个特别又特殊的种族,

0:11:58.016,0:12:00.966
南欧人，意大利人——从来都不符合模型预测。

0:12:00.990,0:12:06.120
而且这一种族在模型里是一个复杂的边界情况。

0:12:06.144,0:12:07.653
但还有另一个重点——

0:12:07.677,0:12:11.154
最常用的来辨识人的方法，

0:12:11.178,0:12:12.900
不是由基因组编译的。

0:12:12.924,0:12:15.241
是人们的自由意志——我想让自己看起来怎么样，

0:12:15.265,0:12:18.494
虽然我的发型不是我自己决定的，但胡子是的。

0:12:18.518,0:12:22.071
下面我们来看一下——

0:12:22.095,0:12:24.860
单纯的用photoshop，不用建模——

0:12:24.884,0:12:26.597
把胡子加上去。

0:12:26.621,0:12:30.093
是不是立即觉得变得很相像了。

0:12:30.955,0:12:34.394
那么，我们为什么要研究这些？

0:12:35.938,0:12:41.078
当然不是为了预测身高，

0:12:41.102,0:12:44.104
或者是根据血液样本得到一张美照；

0:12:44.390,0:12:48.408
我们研究是因为同样的技术和手段——

0:12:48.432,0:12:50.952
对基因组的机器学习，

0:12:50.976,0:12:54.113
能帮助我们了解人类自身，

0:12:54.137,0:12:57.003
你的身体怎么运作，身体如何老化，

0:12:57.246,0:13:00.105
疾病是如何产生的，

0:13:00.129,0:13:03.101
癌症是怎么出现和恶化的；

0:13:03.125,0:13:04.908
药物如何起作用——

0:13:04.932,0:13:07.246
药物是不是能够对你有效。

0:13:07.633,0:13:09.650
这是一个巨大的挑战，

0:13:09.894,0:13:13.692
而且是一个全球的科学家都面临的挑战

0:13:14.159,0:13:16.381
——个性化医疗。

0:13:17.125,0:13:20.585
从只能借助统计学方法——

0:13:20.609,0:13:22.641
每个人都只是沧海一粟——

0:13:22.665,0:13:24.478
到能够实现有针对性的治疗，

0:13:24.502,0:13:26.687
通过解码这些基因信息，

0:13:26.711,0:13:29.575
我们能够彻底了解每一个人。

0:13:30.260,0:13:33.622
但这是一项异常复杂的挑战，

0:13:33.646,0:13:37.644
因为到目前为止在这么庞大的基因组信息中，

0:13:37.668,0:13:40.310
我们大概只了解2%：

0:13:41.027,0:13:44.680
175本书里的4本...

0:13:46.021,0:13:49.227
当然这不是我今天演讲的主题，

0:13:50.145,0:13:52.743
因为我们会进步，会了解更多——

0:13:53.378,0:13:56.047
有很多顶尖的人才在从事这项工作。

0:13:57.048,0:14:00.982
预测能力会提升，模型会更准确。

0:14:01.183,0:14:03.041
随着了解的逐渐深入，

0:14:03.065,0:14:07.895
我们需要做的决定会越来越多，

0:14:07.919,0:14:10.940
而且是一些从前没有想象过的决定——

0:14:10.964,0:14:16.089
关于生，关于死，关于子孙后代...

0:14:17.716,0:14:26.102
所以我们在此的讨论，涉及生命最本质的东西，

0:14:26.118,0:14:32.036
这些改变不只是在科学和技术层面。

0:14:32.426,0:14:35.540
我们必须要有全球性的对话，

0:14:35.540,0:14:40.884
必须要为全人类的未来设想。

0:14:40.884,0:14:45.485
我们需要和创新人才、艺术家、哲学家交流，

0:14:45.485,0:14:46.753
还需要政治家的参与。

0:14:46.777,0:14:51.207
每个人都身在其中，因为这关乎人类的未来。

0:14:51.273,0:14:53.645
不需要惊慌——

0:14:53.645,0:14:59.136
但必须了解我们现在做出的每一项决定，

0:14:59.160,0:15:02.949
都会彻底改变历史。

0:15:03.732,0:15:04.892
谢谢。

0:15:04.916,0:15:15.075
（持久的掌声）