In 2003,
when we sequenced the human genome,
we thought we would have the answer
to treat many diseases.
But the reality is far from that,
because in addition to our genes,
our environment and lifestyle
could have a significant role
in developing many major diseases.
One example is fatty liver disease,
which is affecting over 20 percent
of the population globally,
and it has no treatment
and leads to liver cancer
or liver failure.
So sequencing DNA alone
doesn't give us enough information
to find effective therapeutics.
On the bright side, there are
many other molecules in our body.
In fact, there are
over 100,000 metabolites.
Metabolites are any molecule
that is supersmall in their size.
Known examples are glucose,
fructose, fats, cholesterol --
things we hear all the time.
Metabolites are involved
in our metabolism.
They are also downstream of DNA,
so they carry information
from both our genes as well as lifestyle.
Understanding metabolites is essential
to find treatments for many diseases.
I've always wanted to treat patients.
Despite that, 15 years ago,
I left medical school,
as I missed mathematics.
Soon after, I found the coolest thing:
I can use mathematics to study medicine.
Since then, I've been developing
algorithms to analyze biological data.
So, it sounded easy:
let's collect data from all
the metabolites in our body,
develop mathematical models to describe
how they are changed in a disease
and intervene in those
changes to treat them.
Then I realized why no one
has done this before:
it's extremely difficult.
(Laughter)
There are many metabolites in our body.
Each one is different from the other one.
For some metabolites,
we can measure their molecular mass
using mass spectrometry instruments.
But because there could be, like,
10 molecules with the exact same mass,
we don't know exactly what they are,
and if you want to clearly
identify all of them,
you have to do more experiments,
which could take decades
and billions of dollars.
So we developed an artificial
intelligence, or AI, platform, to do that.
We leveraged the growth of biological data
and built a database of any existing
information about metabolites
and their interactions
with other molecules.
We combined all this data
as a meganetwork.
Then, from tissues or blood of patients,
we measure masses of metabolites
and find the masses
that are changed in a disease.
But, as I mentioned earlier,
we don't know exactly what they are.
A molecular mass of 180 could be
either the glucose, galactose or fructose.
They all have the exact same mass
but different functions in our body.
Our AI algorithm considered
all these ambiguities.
It then mined that meganetwork
to find how those metabolic masses
are connected to each other
that result in disease.
And because of the way they are connected,
then we are able to infer
what each metabolite mass is,
like that 180 could be glucose here,
and, more importantly, to discover
how changes in glucose
and other metabolites
lead to a disease.
This novel understanding
of disease mechanisms
then enable us to discover
effective therapeutics to target that.
So we formed a start-up company
to bring this technology to the market
and impact people's lives.
Now my team and I at ReviveMed
are working to discover
therapeutics for major diseases
that metabolites are key drivers for,
like fatty liver disease,
because it is caused
by accumulation of fats,
which are types
of metabolites in the liver.
As I mentioned earlier,
it's a huge epidemic with no treatment.
And fatty liver disease
is just one example.
Moving forward, we are going to tackle
hundreds of other diseases
with no treatment.
And by collecting more and more
data about metabolites
and understanding
how changes in metabolites
leads to developing diseases,
our algorithms will get
smarter and smarter
to discover the right therapeutics
for the right patients.
And we will get closer to reach our vision
of saving lives with every line of code.
Thank you.
(Applause)
في 2003،
عندما قمنا بوضع الجينوم البشري في سلسلة،
اعتقدنا أنه سيكون لدينا الحل
لمعالجة العديد من الأمراض.
ولكن الواقع بعيد كل البعد عن ذلك،
لأنه بالإضافة لجيناتنا،
فإن لبيئتنا وطراز حياتنا دور هام
في تطوير العديد من الأمراض.
مثالا على ذلك، مرض الكبد الدهني،
والذي يؤثر على 20%
من السكان على مستوى العالم،
ولا يوجد له أي علاج
ويقود إلى سرطان الكبد
أو التليف الكبدي.
فرسم شريط الحامض النووي فحسب
لا يعطينا معلومات كافية
لإيجاد علاجات فعالة.
وفي الجانب المشرق، هناك العديد
من الجزيئات في جسمنا.
في الواقع، هناك 100000 مُسْتَقْلَب أيضي.
المُسْتَقْلَبات هي أي جزيء
متناهي الصغر من حيث الحجم.
الأمثلة المعروفة هي الجلوكوز، والفركتوز
والدهون، والكوليسترول...
أشياء نسمع عنها طوال الوقت.
المُسْتَقْلَبات مشاركة في عملية الأيض.
وهي تأتي من تيار الحامض النووي،
لذلك فهي تهمل معلومات
من كل من جيناتنا وطراز حياتنا.
فهم المُسْتَقْلَبات أساسي
لإيجاد علاجات للعديد من الأمراض.
أردت دوما أن أعالج المرضى.
على الرغم من تركي كلية الطب منذ 15 سنة،
بسبب إخفاقي في الرياضيات.
بعد ذلك بفترة قصيرة، عثرت
على أكثر الأشياء روعة:
أنني أستطيع استخدام
الرياضيات لدراسة الطب.
منذ ذلك الحين، قمت بتطوير خوارزميات
لتحليل البيانات الأحيائية.
بدا الأمر سهلا على هذا النحو:
دعونا نجمع البيانات
من كل المُسْتَقْلَبات في جسمنا،
تصميم نماذج رياضياتية لوصف
كيفية تغيرها في مرض ما
والتدخل من خلال تلك التغييرات وعلاجها.
وأدركت حينها السبب وراء
عدم قيام أحد بذلك من قبل:
إنه أمر بالغ الصعوبة.
(ضحك)
هناك العديد من المُسْتَقْلَبات في جسمنا.
كل واحد مختلف عن الآخر.
لبعض المُسْتَقْلَبات، يمكننا
قياس كتلتها الجزيئية
باستخدام أدوات طيف الكتلة.
ولكن بسبب إمكانية وجود
10 جزيئات لها نفس الكتلة،
فلا نعلم بالضبط ما هي،
ولو أردنا تعيين كل منها بوضوح،
فإن عليك القيام بتجارب أكثر،
والتي قد تستغرق عقود
ومليارات الدولارات.
لذلك قمنا بتطوير منصة
ذكاء صناعي لتقوم لنا بذلك.
استخدمنا النمو الحادث
في البيانات الأحيائية
وقمنا ببناء قاعدة بيانات
بأي معلومات متوفرة عن مُسْتَقْلَبات
وتفاعلاتها مع جزيئات أخرى.
قمنا بضم كل هذه البيانات
كشبكة واحدة ضخمة.
بعد ذلك، من الأنسجة أو من دماء المرضى،
قمنا بقياس كتل المُسْتَقْلَبات
وبالنظر في في الكتل
التي تغيرت في مرض ما.
لكن، كما ذكرت سابقا،
نحن لا نعلم بالضبط ماهيتها.
الكتلة الجزيئية لـ 180 قد تكون للجلوكوز،
الجالاكتوز أو الفركتوز.
جمعها لديها نفس الكتلة
ولكن وظائفها مختلفة في جسمنا.
خوارزمية ذكائنا الصناعي قام
باعتبار كل تلك الأمور الملتبسة.
ثم قامت بعد ذلك بتنقيب
الشبكة الضخمة من البيانات
لتكتشف كيفية اتصال
هذه الكتل الأيضية ببعضها
بالطريقة التي ينتج عنها المرض.
وبسبب طريقة اتصالهم ببعضهم البعض،
عندئذ نصبح قادرين على أن
نستدل على كتلة كل مُسْتَقْلَب،
مثل احتمالية كتلة الـ 180
أن تكون للجلوكوز،
والأكثر أهمية أن نكتشف
كيف تحدث تغييرات بالجلوكوز
ومُسْتَقْلَبات أخرى
تقود إلى المرض.
هذا الفهم المبتَكَر لديناميات المرض
يمكننا من اكتشاف علاجات فعالة لهذا الغرض.
قمنا بتشكيل شركة ناشئة
لتجلب هذه التقنية إلى السوق
وتؤثر في حياة الناس.
نعمل أنا وفريقي الآن على اكتشاف
علاجات للأمراض الرئيسية التي تكون
المُسْتَقْلَبات هي الدافع الرئيسي لها،
مثل مرض الكبد الدهني،
لأنه يحدث بسبب تراكم الدهون،
والتي هي أنواع من المُسْتَقْلَبات بالكبد.
كما ذكرت سابقا، الأمر
وبائي بشكل هائل وبدون علاج.
ومرض الكبد الدهني ما هو إلا مثال.
نمضي قدما، سنقوم بالتعامل
مع مئات الأمراض الأخرى
بدون علاج.
وبجمع المزيد والمزيد
من البيانات عن المُسْتَقْلَبات
وبفهم كيف أن تغييرات في المُسْتَقْلَبات
تقود إلى تطوير أمراض،
خوارزمياتنا سيزداد ذكاؤها أكثر
لاكتشاف العلاجات الصحيحة
التي تناسب مرضى بعينهم.
وسنقترب أكثر من تحقيق رؤيتنا
في إنقاذ حيوات مع كل سطر يُضاف إلى الشفرة.
أشكركم.
(تصفيق)
لە ساڵی 2003 دا،
کاتێک جیناتی مرۆڤمان زنجیرە کرد،
پێمان وابوو وەڵامێکمان بۆ چارەسەرکردنی
زۆر نەخۆشی دەبێت.
بەڵام ڕاستییەکە لەوەوە دوورە،
چونکە سهڕهڕای جیناتمان،
ژینگەکەمان و شێوازی ژیانمان،
دەورێکی گرنگی ههیه
لە بەرەو پێشچونی چەند نەخۆشییەک.
وەکو نموونەیەک بۆ ئەوە نەخۆشی چەوری جگەرە،
کە لەسەدا٢٠ ی دانیشتوان لەسەر ئاستی جیهان
توشی دەبن،
و هیچ چارەسەرێکی نییە
و دەبێت بە شێرپەنجەی جگەر
یان لە ئیش کەوتنی جگەر.
کەواتە زنجیرەکردنی دی ئێن ئەی بە تەنها
زانیاری تەواومان ناداتێ
بۆ دۆزینەوەی چارەسەرە کاریگەرەکان.
لە لایەکی دیکەوە، چەند گەردێکی دیکە
لەناو لەشماندا هەن.
لە ڕاستیدا، سەروو ١٠٠،٠٠٠
ماددە زیندەگییەکان هەیە.
ماددە زیندەگییەکان، ئەو گەردانەن کە
قەبارەیان ئەوپەڕی بچووکە.
گلوکۆز، فرەکتۆز(جۆرەکانی شەکر) و کۆلیسترۆل
نموونەی ناسراون--
شتانێک ئێمە هەموکات
دەیبیستین.
ماددە زیندەگییەکان بەشدارن لەکرداری
مێتابۆلیزم.
ئەوانیش وەک دی ئێن ئەین،
کەواتە زانیاریەکان لە جینات و شێوازی
ژیانمانەوە وەردەگرن.
تێگەیشتنی ماددە زیندەگییەکان بنچینەیە بۆ
دۆزینەوەی چارەسەری زۆربەی نەخۆشییەکان.
من هەمیشە چارەسەری نەخۆشەکانم ویستووە.
بێجگە لەوەش، ۱٥ساڵ
لەمەوبەر وازم لەخوێندنی پزیشکی هێنا،
وەک چۆن بیرکاریم لە دەستدا.
هەر زوو دوای ئەوە، باشترین شتم دۆزیەوە:
دەتوانم بیرکاری بەکار بهێنم بۆ خوێندنی
دەرمانسازی.
لەو کاتەوە، ئالگۆریزمەکانم بۆ شیکردنەوەی
داتا زیندەوەرزانییەکان گەشەپێدا.
کەواتە، وا دیارە ئاسانە:
با زانیاری لە هەموو ماددە زیندەگییەکانی
ناو لەشمان کۆبکەینەوە،
گەشەپێدانی نموونە بیرکارییەکان بۆ
ڕوونکردنەوەی چۆنییەتی گۆڕانیان بۆ نەخۆشی
و دەست خستنە ناو ئەو گۆڕانانە بۆ چارەسەر
کردنیان.
دواتر درکم بەوە کرد بۆچی تا ئێستە
کەس ئەمەی نەکردووە:
ئەمە ئەوپەڕی سەختە.
(پێکەنین)
زۆرماددەی زیندەگی لە جەستەماندا هەیە.
هەر یەک لەوی تر جیاوازە.
بۆ هەندێک ماددەی زیندەگی، دەتوانین
ڕێژەی گەردەکانیان بپێوین
بە بەکارهنێانی ئامێری ڕێژە پێوی
سپێکترۆمیتری.
بەڵام، لەبەر ئەوەی بەهەمان ڕێژە، هێندەی
١٠ گەرد دەبوون،
بە تەواوەتی نازانین ئەوان چین،
و ئەگەر دەتەوێت بەڕوونی ئەوان بناسێنیت،
دەبێت تاقیکردنەوەی زیاتر بکەیت، کە ئەوەش
چەند ساڵێکی دەوێت
و بلیۆنان دۆلاریش.
هەروەها ئێمە پەرەمان بە زیرەکییەکی دەستکرد
دا، یان سەکۆی ئەی ئای، بۆ کردنی ئەوە.
ئێمە سودمان لە گەشەسەندنی زانیارییە
زیندەوەرییەکان وەرگرت
و بنیاتنانی داتابەیسێک بۆ هەر زانیاریەک کە
دەربارەی ماددە زیندەگییەکان هەیە
و کارلێک کردنیان لەگەڵ گەردەکانی تر.
و هەموو ئەم زانیاریانەمان یەکخست وەکو
تۆڕێکی گەورە.
دواتر، لە شانە یان خوێنی نەخۆشەکانەوە،
ڕێژەی ماددە زیندەگییەکانمان پێوا
و ئەو ڕێژانەمان دۆزییەوە کە دەگۆڕان
بۆ نەخۆشی.
بەڵام، وەکو پێشتر ئاماژەم پێدا، ئێمە
بە تەواوی نازانین ئەوان چین.
گەردی قەبارە ١٨٠لەوانەیە، گلوکۆز، گالاکتۆز
یان فرەکتۆز بێت.
هەموویان ڕێژەیەکی تەواو وەک یەکیان هەیە
بەڵام ئەرکی جیاواز لە لەشماندا.
سیستەمی ئەی ئای ئەلگۆریزمەکەمان ڕەچاوی
هەمو ئەو ناڕوونیانەی کردووە.
دواتر ئەو تۆڕە گەورەی بەکارهێنا
بۆ دۆزینەوەی ئەوەی چۆن ڕێژەی ماددە
زیندەگییەکان پێکەوە دەبەسترێن
کە دەرئەنجامەکەی دەبێت بە نەخۆشی.
و بەهۆی ئەو ڕێگەیەی پێکەوە بەستراون،
دەتوانین بۆمان دەربکەوێت، ڕێژەی هەر ماددە
زیندەگییەک چەندە،
وەکو ئەوە کە ١٨٠ دەبێت لێرە شەکری گلوکۆز
بێت،
و، لەوە گرنگتر، بۆ دۆزینەوەی ئەمەیە:
چۆن گۆڕان لە گلوکۆز و گەردە زیندەگییەکانی
تر
دەبن بە نەخۆشی.
ئەم تێگەیشتنە نوێیەی ڕێگەکانی کارکردنی
نەخۆشی
دواتر وامان لێدەکات چارەسەرە کاریگەرەکان
بۆ ئەو مەبەستە بدۆزینەوە.
کارگەیەکی تازەمان بۆ هێنانە بازاڕی ئەو
تەکنەلۆژیایە پێک هێنا
و کار دەکاتە سەر ژیانی خەڵک.
ئێستا من و تیمەکەم لە (ڕیڤایڤمێد)
كاردهكهین بۆ دۆزینەوەی
چارەسەر بۆ زۆربەی نەخۆشی، کە کلیلەکەیان
ماددە زیندەگییەکانە،
وەکو نەخۆشی چەوری جگەر،
لەبەر ئەوەی هۆکارەکەی کەڵەکەبوونی
چەورییەکانە،
کە لە جۆری ماددە زیندەگییەکانن لە ناو
جگەردا.
وەکو پێشتر ئاماژەم پێدا، درمێکی زۆر
گەورەیە بە بێ چارەسەر.
و نەخۆشی چەوری جگەر تەنها نموونەیەکە.
بە بەردەوامبوون، ڕووبەڕووی سەدان نەخۆشی
دیکە دەبینەوە
بە بێ بوونی چارەسەر.
و بە کۆکردنەوەی زانیاری زیاتر و زیاتر
دەربارەی ماددە زیندەگییەکان
و تێگەیشتن لەوەی ماددە زیندەگییەکان چۆن
دەگۆڕێن
دەبن بە نەخۆشی گەشەسەندوو،
بەمەش سیستەمە ئەلگۆریزمەکەمان زیرەکترو
زیرەکتر دەبێت
بۆ دۆزینەوەی چارەسەری گونجاو بۆ نەخۆشی
گونجاو.
و ئێمە لە گەیشتن بە وەشانی پاراستنی ژیانی
خۆمان نزیکتر دەبینەوە لە هەر هێڵێکی کۆد.
سوپاس.
(چەپڵەی ئامادەبوان)
V roce 2003,
kdy jsme přečetli lidský genom,
jsme si mysleli, že máme klíč
k léčbě mnoha nemocí.
Ale k tomu máme ještě daleko,
protože kromě našich genů
hraje značnou roli ve vývoji
mnoha významných onemocnění
i životní prostředí nebo životní styl.
Jedním z příkladů je ztučnění jater,
které postihuje přes dvacet procent
světové populace,
nelze je léčit a vede k rakovině
nebo selhání jater.
Takže čtení DNA samo o sobě
nám nedává dostatek informací
k nalezení účinné léčby.
Na druhou stranu máme v těle
i spoustu dalších molekul.
Ve skutečnosti existuje
více než 100 000 metabolitů.
Metabolity, to jsou veškeré molekuly,
které jsou co do velikosti velmi malé.
Známé příklady jsou glukóza,
fruktóza, tuky, cholesterol –
věci o kterých slyšíme pořád dokola.
Metabolity se účastní našeho metabolismu.
A jsou také závislé na naší DNA,
takže nesou informaci jak o našich genech,
tak o našem životním stylu.
Musíme porozumět metabolitům,
abychom nalezli léčbu mnoha chorob.
Vždycky jsem chtěla léčit pacienty.
Přesto jsem před patnácti lety
odešla z lékařské fakulty,
protože mi chyběla matematika.
Brzy potom jsem přišla
na tu nejskvělejší věc:
Můžu pomocí matematiky studovat medicínu.
Od té doby vyvíjím algoritmy
k analýze biologických dat.
Znělo to jednoduše:
posbírat data o všech metabolitech
v našem těle,
vyvinout matematické modely,
které by popsaly,
jak se data mění vlivem nemocí,
a zasáhnout proti těmto změnám.
Pak jsem přišla na to,
proč to nikdo neudělal přede mnou.
Je to hrozně obtížné.
(smích)
V našem těle je spousta metabolitů.
Každý z nich je jiný.
U některých metabolitů můžeme
měřit jejich molekulovou hmotnost
pomocí hmotnostní spektrometrie.
Jenže vzhledem k tomu, že klidně deset
různých molekul může mít stejnou hmotnost,
nedokážeme je tím přesně rozpoznat.
Kdybyste je všechny chtěli rozpoznat,
museli byste udělat více experimentů,
které by trvaly desítky let
a stály by miliardy dolarů.
Takže jsme vyvinuli platformu na bázi
umělé inteligence, která to umí.
Využili jsme vzrůstající množství
biologických dat
a vytvořili jsme databázi všech dostupných
informací o metabolitech
a jejich interakcích
s ostatními molekulami.
Zkombinovali jsme všechna ta data
do obrovské sítě.
Potom z tkání a krve pacientů
měříme hmotnosti metabolitů
a hledáme ty hmotnosti,
které se mění u nemocného člověka.
Ale jak už jsem řekla,
nevíme přesně, které metabolity to jsou.
Molekulovou hmotnost 180 může mít
glukóza, galaktóza nebo fruktóza.
Všechny mají přesně stejnou hmotnost,
ale různé funkce v našem těle.
Naše umělá inteligence bere v úvahu
všechny tyto nejednoznačnosti.
Ponoří se do té obrovské databáze
a najde, jaké vzájemné provázání
látek s naměřenou hmotností
způsobuje nemoci.
Z toho, jak jsou provázány,
můžeme odvodit, co ta látka
se shodnou hmotností je,
například těch 180
by tady mohla být glukóza,
a především můžeme zjistit,
jak změny v glukóze a dalších metabolitech
způsobují onemocnění.
Toto nové porozumění
mechanismům nemocí
nám poté umožní najít
efektivní léčbu, která na tyto změny cílí.
A tak jsme založili start-up,
abychom přinesli tuto technologii na trh
a ovlivnili tak lidské životy.
Teď se svým týmem v ReviveMed
pracujeme na vývoji
léčby nejvýznamnějších nemocí,
kde metabolity hrají hlavní roli,
jako je ztučnění jater,
protože to je způsobeno hromaděním tuků,
což jsou metabolity v játrech.
Jak už jsem zmínila, jedná se
o obrovskou epidemii, na kterou není lék.
A ztučnění jater
je jenom jeden z příkladů.
Děláme pokroky a hodláme se zabývat
stovkami dalších nemocí,
na které není lék.
Sbíráním dalších a dalších dat
o metabolitech
a porozuměním, jak změny v metabolitech
vedou k rozvoji nemocí,
budou naše algoritmy
lépe a lépe umět
hledat ty správné léky
pro ty správné pacienty.
A dostaneme se blíž k našemu cíli
záchraně životů každou řádkou
počítačového kódu.
Děkuji vám.
(potlesk)
Als wir 2003
das menschliche Genom sequenzierten,
dachten wir, wir hätten die Antwort,
um viele Krankheiten zu behandeln.
Aber die Realität ist weit davon entfernt,
denn neben unseren Genen
könnten Umwelt und Lebensstil
eine wichtige Rolle bei der Entwicklung
vieler Krankheiten spielen.
Ein Beispiel ist die Fettleberkrankheit,
von der über 20 % der Bevölkerung
weltweit betroffen sind,
die nicht behandelt werden kann
und zu Leberkrebs
oder Leberversagen führt.
Die Sequenzierung der DNA allein gibt uns
also nicht genügend Informationen,
um wirksame Therapeutika zu finden.
Glücklicherweise gibt es viele
verschiedene Moleküle in unserem Körper.
Tatsächlich gibt es
über 100.000 Metaboliten.
Metaboliten sind alle Moleküle,
die von ihrer Grösse her winzig sind.
Bekannte Beispiele sind Glukose,
Fruktose, Fette, Cholesterin --
von denen hören wir immer.
Metaboliten sind an
unserem Stoffwechsel beteiligt.
Sie sind auch stromabwärts der DNA,
sodass sie Informationen unserer
Gene und Lebensstile enthalten.
Metaboliten zu verstehen ist wichtig,
um Therapien für Krankheiten zu finden.
Ich wollte schon immer
Patienten behandeln.
Trotzdem habe ich vor 15 Jahren
die medizinische Fakultät verlassen,
da ich Mathematik vermisste.
Bald darauf fand ich das Coolste:
Ich kann Mathematik benutzen,
um Medizin zu studieren.
Seitdem entwickle ich Algorithmen
zur Analyse biologischer Daten.
Es klang so einfach:
Wir sammeln Daten von allen
Metaboliten in unserem Körper,
entwickeln mathematische Modelle,
die beschreiben, wie sie sich
bei Krankheiten verändern
und greifen in diese Veränderungen ein,
um sie zu behandeln.
Dann wurde mir klar,
warum das noch niemand getan hatte:
Es ist extrem schwierig.
(Gelächter)
Es gibt viele Metaboliten
in unserem Körper.
Jedes Einzelne ist anders als das andere.
Bei einigen Metaboliten können wir
deren Molekülmasse mithilfe von
Massenspektrometriegeräten messen.
Aber da es etwa 10 Moleküle mit
genau der gleichen Masse geben könnte,
wissen wir nicht genau, was sie sind
und wenn man sie alle klar
identifizieren will,
muss man mehr Experimente durchführen,
die Jahrzehnte dauern und
Milliarden Dollar kosten könnten.
Also haben wir eine KI-Plattform
entwickelt, um das zu tun.
Wir nutzten das Wachstum
biologischer Daten,
um eine Datenbank mit allen vorhandenen
Informationen über Metaboliten
und deren Wechselwirkungen
mit anderen Molekülen aufzubauen.
All diese Daten fassten wir
zu einem Meganetzwerk zusammen.
Dann messen wir Massen von Metaboliten
aus Gewebe und Blut von Patienten
und finden die Massen,
die bei einer Krankheit verändert sind.
Aber wie schon erwähnt,
wissen wir nicht genau, was sie sind.
Eine Molekularmasse von 180 kann
Glukose, Galactose oder Fructose sein.
Sie alle haben genau die gleiche Masse,
aber unterschiedliche
Funktionen im Körper.
Unser KI-Algorithmus hat
all diese Unklarheiten berücksichtigt.
Dann hat er dieses
Meganetzwerk durchsucht,
um herauszufinden, wie die Massen
miteinander verbunden sind,
die zu Krankheiten führen.
Aus der Art, wie sie verbunden sind,
können wir schliessen,
was jede Metabolitenmasse ist,
sodass 180 hier Glucose sein könnte
und, was noch wichtiger ist,
entdecken wie Veränderungen
bei Glucose und anderen Metaboliten
zu einer Krankheit führen.
Dieses neuartige Verständnis
der Krankheitsmechanismen
ermöglicht es uns,
wirksame Therapeutika zu entdecken.
So gründeten wir ein Start-Up, um
die Technologie auf den Markt zu bringen
und Menschenleben zu verändern.
Jetzt arbeiten mein Team und ich
bei ReviveMed daran,
Therapeutika für Krankheiten zu entdecken,
wo Metaboliten Haupttreiber sind,
wie z. B. Fettleberkrankheiten,
weil sie durch die Ansammlung
von Fetten verursacht werden,
die zu den Metaboliten
in der Leber gehören.
Wie ich bereits erwähnte, ist es
eine riesige Epidemie ohne Behandlung.
Und Fetterleberkrankheiten sind
nur ein Beispiel.
In Zukunft werden wir
hunderte von anderen Krankheiten
ohne Behandlungswege bekämpfen.
Indem wir immer mehr Daten
über Metaboliten sammeln
und verstehen, wie Veränderungen
zu Krankheiten führen,
werden unsere Algorithmen
immer intelligenter,
um die richtigen Therapeutika
für die richtigen Patienten zu finden.
Und wir werden unserer Vision,
mit jeder Codezeile Leben zu retten,
näher kommen.
Vielen Dank.
(Applaus)
En 2003,
cuando secuenciamos el genoma humano,
creímos que encontraríamos la respuesta
para muchas enfermedades.
Pero la realidad está muy lejos de esto,
porque además de nuestros genes,
nuestro ambiente y estilo de vida
podrían tener un rol importante
en el desarrollo de
varias enfermedades importantes.
Un ejemplo de esto es
la enfermedad del hígado graso,
que afecta a más del 20 %
de la población global,
no tiene tratamiento
y puede causar cáncer de hígado
o insuficiencia hepática.
Así que, secuenciar el ADN
no nos da información suficiente
para encontrar tratamientos efectivos.
El lado positivo es que hay muchas otras
moléculas en nuestro cuerpo.
Es más, hay más de 100 000 metabolitos.
Los metabolitos son moléculas
muy chiquitas en tamaño.
Ejemplos conocidos serían la glucosa,
la fructosa, la grasa, el colesterol,
cosas que escuchamos a menudo.
Los metabolitos están involucrados
en nuestro metabolismo.
Tienen la carga genética de nuestro ADN
así que tienen información sobre nuestros
genes y sobre nuestro estilo de vida.
Entender los metabolitos
puede ayudar a encontrar tratamientos
para muchas enfermedades.
Siempre quise tratar pacientes.
A pesar de eso, hace 15 años,
dejé mis estudios de Medicina
porque extrañaba las matemáticas.
Poco después, descubrí algo fantástico:
puedo usar la matemática
para estudiar medicina.
Desde entonces, fui desarrollando
algoritmos para analizar datos biológicos.
Parecía fácil:
juntemos datos de todos los metabolitos
que hay en nuestro cuerpo,
desarrollemos modelos matemáticos para
describir cómo cambian con enfermedades
y cómo intervienen en esos cambios
para poder tratarlas.
Pero me di cuenta por qué
nadie lo había hecho antes:
es extremadamente difícil.
(Risas)
Hay demasiados metabolitos
en nuestro cuerpo.
Cada uno es diferente de otro.
Para algunos metabolitos,
podemos medir su masa molecular
usando instrumentos
de espectrometría de masas.
Pero como podría haber
como 10 moléculas con la misma masa
no sabemos exactamente qué son,
y si se quiere
identificar todas claramente,
hay que hacer más experimentos,
lo que podría llevar décadas
y miles de millones de dólares.
Así que, desarrollamos una plataforma
de inteligencia artificial que hace eso.
Aprovechamos el crecimiento
de los datos biológicos
y construimos una base de datos a partir
de información obtenida sobre metabolitos
y sus interacciones con otras moléculas.
Combinamos todos estos datos
como una mega red.
A partir de tejidos
o de la sangre de pacientes,
medimos las masas de los metabolitos
y encontramos las masas
que cambian en una enfermedad.
Pero, cómo dije antes, no sabemos
exactamente qué son.
Una masa molecular de 180
podría ser glucosa o galactosa o fructosa.
Todas tienen exactamente la misma masa.
Pero tienen distintas funciones
en nuestro cuerpo.
Nuestro algoritmo de IA
consideró todas estas ambigüedades.
Y luego explotó toda esa mega red
para encontrar como esas masas metabólicas
están conectadas entre sí
para causar una enfermedad.
Y por la forma en la que están conectadas,
podemos deducir cuál es
la masa del metabolito,
como esta 180 que podría ser glucosa,
y más importante aún, descubrir
cómo los cambios en la glucosa
y otros metabolitos
pueden causar enfermedades.
Esta comprensión
del mecanismo de las enfermedades
nos deja descubrir terapias
efectivas para tratar eso.
Creamos una empresa emergente
para llevar esta tecnología al mercado
y para cambiar la vida de la gente.
Ahora mi equipo y yo en ReviveMed
estamos trabajando para descubrir
tratamientos para enfermedades mayores
causadas por metabolitos
como la enfermedad hepática,
que es causada
por la acumulación de grasas,
que son tipos de metabolitos
que se encuentran en el hígado.
Como dije antes, es una epidemia
gigante sin tratamiento.
Y la enfermedad hepática,
es solo un ejemplo.
Cambiando de tema, enfrentaremos
cientos de otras enfermedades,
que no tienen tratamiento.
Conforme recolectamos más y más
información sobre los metabolitos
y entendemos cómo
los cambios en los metabolitos
llevan al desarrollo de enfermedades,
nuestros algoritmos se volverán
más y más inteligentes
para poder descubrir los tratamientos
correctos para los pacientes.
Llegaremos más y más cerca
a cumplir nuestra visión
de salvar vidas
con cada línea de programación.
Gracias.
(Aplausos)
در سال ۲۰۰۳،
وقتی ما ژنوم انسان را
در توالی ترتیب قرار دادیم،
فکر میکردیم جواب درمان
بسیاری از بیماریها را داریم
اما واقعیت بسیار با آن فاصله دارد،
چون علاوه بر ژنهایمان،
محیط زیست و سبک زندگیمان
میتواند نقش چشمگیری
در توسعهی خیلی از
بیماریهای مهم داشته باشد.
یک مثال از آن بیماری کبد چرب است،
که روی ۲۰ درصد از
جمعیت جهانی تاثیر گذاشته است،
و درمانی ندارد و باعث سرطان کبد
یا نارسایی کبد میشود.
بنابراین توالی DNA به تنهایی
اطلاعات کافی به ما نمیدهد
تا درمان موثری پیدا کنیم.
نکتهی مثبت اینجاست که مولکولهای
بسیاری در بدن ما وجود دارد.
در حقیقت بیش از ۱۰۰,۰۰۰
متابولیت وجود دارد.
متابولیت هر مولکولی است که اندازه آن
فوقالعاده کوچک است.
مثالهای شناخته شده گلوکز، فراکتوز،
چربی ها، کلسترول و .. هستند
چیزهایی که همیشه میشنویم.
متابولیتها در متابولیسم ما نقش دارند.
آنها همچنین در پایین دست DNA قرار دارند،
بنابراین حاوی اطلاعاتی از ژنها
همینطور سبک زندگی ما هستند.
فهمیدن متابولیتها برای پیدا کردن
درمان بسیاری از بیماریها ضروری است.
من همیشه میخواستم بیماران را درمان کنم.
علی رغم آن، ۱۵ سال قبل،
دانشکده پزشکی را ترک کردم،
چون ریاضیات را از دست داده بودم.
خیلی زود بعد از آن،
جالبترین چیز را فهمیدم:
من میتوانم از ریاضی
برای مطالعهی پزشکی استفاده کنم.
از آن به بعد، در حال توسعهی الگوریتمهایی
برای تحلیل دادههای بیولوژیکی بودم.
خب، به نظر آسان میرسید:
بیایید دادههایی از تمام متابولیتهای
بدنمان را جمعآوری کنیم،
مدلهای ریاضی برای توصیف اینکه آنها چگونه
در یک بیماری تغییر میکنند توسعه دهیم
و در آن تغییرات مداخله کنیم
تا آنها را درمان کنیم.
آنوقت بود تشخیص دادم
چرا قبلا هیچکس آن را انجام نداده است:
چون این کار بسیار سخت است.
(خنده)
متابولیتهای بسیار زیادی
در بدن ما هست.
هر کدام از دیگری تفاوت دارد.
برای بعضی از متابولیتها،
میتوانیم حجم مولکولیشان را
با استفاده از ابزار
طیفسنجی حجمی اندازه بگیریم.
اما چون ممکن بود مثلا ۱۰ مولکول
با حجم دقیقا یکسان وجود داشته باشد،
دقیقا نمیدانیم آنها چه هستند،
و اگر میخواهید بطور واضح
همهی آنها را تشحیص دهید،
مجبورید آزمایشهای بیشتری انجام دهید،
که ممکن است دههها طول بکشد
و میلیاردها دلار هزینه داشته باشد.
بنابراین ما یک بستر هوش مصنوعی
برای انجام آن توسعه دادیم.
ما رشد دادههای بیولوژیکی را تقویت کردیم
و پایگاه دادهای از تمام اطلاعات موجود
دربارهی متابولیتها
و تعاملات آنها با دیگر مولکولها ساختیم.
ما تمام این دادهها را
به عنوان ابرشبکهای ترکیب کردیم.
سپس از بافت یا خون بیماران،
حجم متابولیتها را اندازه میگیریم
و حجمهایی را پیدا میکنیم که
در طول یک بیماری تغییر میکنند.
اما همانطور که قبلا گفتم
نمیدانیم آنها چه هستند.
حجم مولکولی ۱۸۰ میتواند گلوکز،
گلاکتوز یا فراکتوز باشد.
همهی آنها حجم یکسانی دارند
اما نقشهای متفاوتی در بدن ما دارند.
الگوریتم هوش مصنوعی ما
تمام این ابهامات را در نظر گرفته است.
سپس آن ابر شبکه را استخراج کرد
تا بفهمد آن حجمهای متابولیک
چگونه به یکدیگر مرتبط هستند
که باعث بیماری میگردند.
و به خاطر روشی که به هم مرتبط هستند،
سپس میتوانیم استنباط کنیم
که هر حجم متابولیت چه چیزی هست،
مثل آن ۱۸۰ میتواند در اینجا گلوکز باشد،
و مهمتر، کشف کردن اینکه
چگونه تغییر در گلوکز و دیگر متابولیتها
باعث بیماری میشود.
این درک جدید از مکانیسمهای بیماری
سپس ما را قادر می سازد تا درمان موثری
برای هدف قرار دادن آن کشف کنیم.
بنابراین شرکت استارتآپی تشکیل دادیم
تا این تکنولوژی را به بازار بیاوریم
و روی زندگی مردم تاثیر بگذاریم.
اکنون من و تیمم در ReviveMed در حال
کار کردن برای کشف
درمانی برای عمده بیماریهایی هستیم
که در آنها متابولیتها محرکهای اصلی هستند،
مثلا بیماری کبد چرب،
چون به واسطه
تجمع چربیها ایجاد شده است،
که انواعی از متابولیتها در کبد هستند.
همانطور که قبلا گفتم، این بیماری همه گیر
و بدون درمان است.
و بیماری کبد چرب تنها یک مثال است.
در حرکت به جلو، ما قصد داریم
با صدها بیماری
بدون درمان دیگر نیز مقابله کنیم
و با جمعآوری دادههای بیشتر و بیشتر
در مورد متابولیتها
و فهمیدن اینکه چگونه
تغییرات در متابولیتها
باعث گسترش بیماریها میشود،
الگوریتمهای ما باهوشتر
و باهوشتر میشوند
تا درمان درست برای
بیماران درست را انجام دهند.
و ما به چشمانداز خودمان
نزدیکتر خواهیم شد
با نجات جانها با هر خط کدی که دارند.
متشکرم.
(تشویق)
En 2003,
lorsqu'on a séquencé le génome humain,
on pensait trouver les traitements
de beaucoup de maladies.
Mais on était loin de la vérité
parce qu'en plus de nos gènes,
notre environnement et façon de vivre
peuvent jouer un rôle important
dans le développement de
beaucoup de maladies graves
L'un des exemples est
la stéatose hépatique,
qui affecte plus de 20 %
de la population mondiale,
elle n'a pas de traitement
et entraîne le cancer du foie
ou l'insuffisance hépatique.
Donc le séquençage de l'ADN seul
ne nous donne pas assez d'informations
pour trouver des thérapeutiques efficaces
Du bon côté des choses, il y a beaucoup
d'autres molécules dans notre corps.
En fait, il y a
plus de 100 000 métabolites.
Les métabolites sont des molécules
de taille extrêmement petite.
Les exemples connus sont le glucose,
le fructose, les lipides, le cholestérol -
des termes très familiers.
Les métabolites sont impliqués
dans notre métabolisme.
Ils sont situés en aval de l'ADN,
et transmettent des informations sur
nos gènes ainsi que notre style de vie.
Comprendre les métabolites est essentiel
pour le traitement de nombre de maladies.
J'ai toujours voulu soigner des patients.
Malgré cela, il y a 15 ans de cela,
j'ai abandonné l’école de médecine,
vu que j'ai raté les mathématiques.
Peu après, j'ai fait la plus
cool des découvertes :
je pouvais étudier la médecine
à l'aide des maths.
Dès lors, j'ai développé des algorithmes
pour analyser des données biologiques.
Cela semblait donc facile :
collecter des données de tous
les métabolites de notre corps,
développer des modèles mathématiques pour
décrire leur changement dans une maladie
et y intervenir
afin de traiter ces maladies.
C'est là que j'ai compris pourquoi
cela n'a jamais été fait avant :
c'est extrêmement difficile.
(Rires)
Il y a beaucoup de métabolites
dans notre corps.
Ils sont différents les uns des autres.
On peut mesurer la masse moléculaire
de certains métabolites
en se servant d'instruments
de spectrométrie de masse.
Mais parce qu'il pourrait y avoir
10 molécules avec la même masse,
on ne peut pas les différencier,
et si vous voulez les identifier
tous clairement,
il faut faire plus d’expériences,
pouvant prendre des décennies
et coûtant des milliards de dollars.
On a donc développé une plateforme d'IA
ou d'intelligence artificielle pour cela.
On a exploité la croissance
des données biologiques
et construit une base de données de toutes
les informations sur les métabolites
et leurs interactions
avec d'autres molécules.
On a combiné toutes ces données
comme un méga réseau.
Ensuite, à partir des tissus
ou du sang de patients,
nous mesurons la masse des métabolites
et trouvons les masses qui sont changées
dans une maladie.
Mais, comme je l'ai dit plus tôt,
on ne peut les différencier.
Une masse moléculaire de 180 pourrait être
du glucose, du galactose ou du fructose.
Ils ont tous exactement la même masse
mais différentes fonctions dans le corps.
Notre algorithme d'IA a considéré
toutes ces ambiguïtés
Il a ensuite exploité ce méga réseau
pour trouver comment ces masses
métaboliques sont connectées entre elles
et aboutissent à une maladie.
Et grâce au type de connexion,
on est en mesure de déduire
la masse de chaque métabolite,
par exemple, ce 180
peut être du glucose ici,
et le plus important, de découvrir
comment les changements dans le glucose
et d'autres métabolites
conduisent à une maladie.
Cette compréhension novatrice
des mécanismes de maladie
nous a alors permis de découvrir des
traitements efficaces pour y faire face.
On a fondé une start-up pour
amener cette technologie sur le marché
et impacter des vies.
Maintenant mon équipe et moi à ReviveMed
cherchons à découvrir
des traitements pour des maladies graves
dont les métabolites sont la source,
telle la stéatose hépatique,
parce qu'elle est causée par
l'accumulation de graisses,
qui sont des types de métabolites
dans le foie.
Comme je le disais plus tôt, c'est un
grave fléau qui n'a aucun traitement.
Et la stéatose hépatique
n'est qu'un exemple.
À l'avenir, nous allons nous attaquer
à des centaines d'autres maladies
sans traitement.
Et en collectant de plus en plus
de données sur les métabolites
et en comprenant comment les changements
dans les métabolites
conduisent au développement de maladies,
nos algorithmes deviendront
de plus en plus intelligents
pour découvrir les traitements
qui conviennent selon le patient.
Et nous serons plus près
d'atteindre notre vision
qui est de sauver des vies
avec chaque ligne de code.
Merci.
(Applaudissements)
2003 मे,
जब हमने मानव जीनोम का अनुक्रम किया,
हमने सोचा कि हमारे पास
कई बीमारियों के इलाज का जवाब होगा।
लेकिन वास्तविकता इससे बहुत अलग है,
क्योंकि हमारे जीन के अलावा,
हमारे पर्यावरण और जीवन शैली की
महत्वपूर्ण भूमिका हो सकती है
कई प्रमुख बीमारियों के विकास में।
एक उदाहरण वसायुक्त यकृत रोग है,
जो विश्व स्तर पर 20 प्रतिशत से अधिक
आबादी को प्रभावित कर रहा है,
और इसका कोई इलाज नहीं है
और इससे यकृत कैंसर हो सकता है
या यकृत फेल हो सकता है।
इसलिए DNA को अकेले सीक्वेंस करना
हमें पर्याप्त जानकारी नहीं देता है|
प्रभावी चिकित्सा विज्ञान खोजने के लिए।
दूसरी तरफ, हमारे शरीर में कई अन्य अणु हैं।
वास्तव में, 100,000 से
अधिक मेटाबोलाइट हैं।
मेटाबोलाइट्स कोई भी अणु हैं
जो उनके आकार में बहुत छोटे हैं।
ज्ञात उदाहरण ग्लूकोज,
फ्रुक्टोज, वसा, कोलेस्ट्रॉल हैं -
जो हम हर समय सुनते हैं।
मेटाबोलाइट्स हमारे चयापचय में शामिल हैं।
वे DNA से भी नीचे हैं,
इसलिए वे हमारे जीन और जीवन शैली
दोनों से जानकारी लेते हैं।
कई बीमारियों के इलाज के लिए
मेटाबोलाइट्स को समझना आवश्यक है।
मैं हमेशा से मरीजों का
इलाज करना चाहती हूं।
इसके बावजूद, 15 साल पहले,
मैंने मेडिकल स्कूल छोड़ दिया,
मैंने गणित को बहुत याद किया।
इसके तुरंत बाद,
मुझे सबसे अच्छी चीज़ मिली:
मैं दवा का अध्ययन करने के लिए
गणित का उपयोग कर सकती हूं।
तब से, मैं जैविक डेटा का विश्लेषण
करने के लिए एल्गोरिदम विकसित कर रही हूं।
तो, यह आसान लग रहा था:
चलो हमारे शरीर में सभी चयापचयों से
डेटा एकत्र करते हैं,
वे एक बीमारी में कैसे बदल रहे हैं,
यह बताने के लिए गणितीय मॉडल विकसित करें
और उन परिवर्तनों में हस्तक्षेप करके
उनका इलाज करें।
तब मुझे एहसास हुआ कि
किसी ने पहले ऐसा क्यों नहीं किया है:
यह बेहद मुश्किल है।
(हँसी)
हमारे शरीर में कई मेटाबोलाइट्स होते हैं।
सभी एक दूसरे से अलग है।
कुछ चयापचयों के लिए,
हम उनके आणविक द्रव्यमान को माप सकते हैं
मास स्पेक्ट्रोमेट्री उपकरणों
का उपयोग करके।
लेकिन क्योंकि वहां,
एक ही द्रव्यमान के 10 अणु हो सकते हैं,
हम नहीं जानते कि वे वास्तव में क्या हैं,
और यदि आप उन सभी को
स्पष्ट रूप से पहचानना चाहते हैं,
आपको और प्रयोग करने होंगे,
जिसमें कई दशक लग सकते हैं
और अरबों डॉलर।
इसलिए हमने ऐसा करने के लिए एक कृत्रिम
बुद्धिमत्ता , प्लेटफॉर्म विकसित किया।
हमने जैविक डेटा के विकास का लाभ उठाया
और चयापचयों के बारे में
किसी भी मौजूदा जानकारी का
और अन्य अणुओं के साथ उनकी बातचीत का
एक डेटाबेस बनाया।
हमने इस सभी डेटा को
मेगा नेटवर्क्स के रूप में संयोजित किया।
फिर, मरीजों के ऊतकों या रक्त से,
हम चयापचयों के द्रव्यमान को मापा।
और बीमारी में बदल जाने वाले
द्रव्यमान का पता लगाया।
लेकिन, जैसा कि मैंने पहले बताया,
हम ठीक से नहीं जानते कि वे क्या हैं।
180 का एक आणविक द्रव्यमान या तो ग्लूकोज,
गैलेक्टोज या फ्रुक्टोज हो सकता है।
इन सभी में एक समान द्रव्यमान होता है
लेकिन हमारे शरीर में
विभिन्न कार्य करता है।
हमारे AI एल्गोरिदम ने
इन सभी अस्पष्टताओं पर विचार किया।
इसके बाद उस मेगा नेटवर्क का
खनन किया गया
यह पता लगाने कि उन चयापचय द्रव्यमान
एक दूसरे से कैसे जुड़े हैं
जिसका परिणाम बीमारी है।
और जिस तरह से वे जुड़े हुए हैं, उसके कारण
तब हम यह पता लगाने में सक्षम हैं
कि प्रत्येक मेटाबोलाइट द्रव्यमान क्या है,
जैसे कि वह 180 यहाँ ग्लूकोज हो सकता है,
और, अधिक महत्वपूर्ण बात, खोजने के लिए
की ग्लूकोज और अन्य चयापचयों में
कैसे परिवर्तन होते हैं
जो बीमारी की तरफ ले जा सकते हैं।
रोग तंत्र की यह नई समझ --
हमें प्रभावी चिकित्सा विज्ञान की
खोज करने में सक्षम बनाता है।
इसलिए इस तकनीक को बाजार में लाने के लिए
और लोगो के जीवन को प्रभावित करने के लिए
हमने एक स्टार्ट-अप कंपनी बनाई।
अब मैं और मेरी टीम चिकित्सा विज्ञान की
खोज करने के लिए काम कर रहे हैं
प्रमुख रोगों के लिए,
जिसके लिए मेटाबोलाइट्स मुख्य कारण है,
फैटी लीवर की बीमारी की तरह,
क्योंकि यह वसा के संचय के कारण होती है,
जो यकृत में चयापचयों के प्रकार हैं।
जैसा कि मैने पहले कहा था, यह एक
बड़ी महामारी है जिसका कोई इलाज नहीं है।
और फैटी लीवर की बीमारी सिर्फ एक उदाहरण है।
आगे बढ़ते हुए, हम सैकड़ों
अन्य बीमारियों से निपटने जा रहे हैं
बिना किसी उपचार के।
और चयापचयों के बारे में
अधिक से अधिक डेटा एकत्र करके
और चयापचयों के परिवर्तन को समजके,
जो विकासशील बीमारियों की ओर जाता है,
हमारा एल्गोरिदम अधिक
स्मार्ट और स्मार्ट बनेगा
सही रोगियों के लिए
सही चिकित्सा विज्ञान की खोज करके।
और हम अपनी जीवन को बचाने की दृष्टि के
बहुत करीब पहुंच जाएंगे।
आभार।
(तालियां)
2003. godine,
kad smo razložili ljudski genom,
mislili smo da ćemo imati odgovor
za liječenje mnogih bolesti.
No, stvarnost je daleko od toga,
jer osim naših gena,
naše okruženje i način života
mogu imati značajnu ulogu
u razvoju mnogih velikih bolesti.
Jedan primjer je bolest masne jetre,
koja pogađa preko 20% stanovnika svijeta,
i nema joj lijeka, a vodi do raka jetre
ili zatajenja jetre.
Dakle, sekvenciranje DNK samo po sebi
ne daje nam dovoljno informacija
za pronalazak učinkovitih terapija.
Dobro je što postoje mnoge druge
molekule u našem tijelu.
Zaista, postoji preko 100.000 metabolita.
Metaboliti su bilo koja molekula
supermale veličine.
Poznati primjeri su glukoza, fruktoza,
masti, kolesterol --
ono o čemu stalno slušamo.
Metaboliti su uključeni u naš metabolizam.
Oni su na nižoj razini od DNK
pa nose informacije iz naših gena,
kao i stila života.
Razumijevanje metabolita je ključno
za pronalazak tretmana za mnoge bolesti.
Oduvijek sam željela liječiti pacijente.
Unatoč tome, prije 15 godina,
napustila sam medicinsku školu
jer mi je nedostajala matematika.
Ubrzo potom otkrila sam sjajnu stvar:
Mogu koristiti matematiku
za studij medicine.
Od tada razvijam algoritme
za analizu bioloških podataka.
Dakle, zvučalo je jednostavno:
prikupimo podatke o svim
metabolitima u našem tijelu,
razvijmo matematičke modele
za opisivanje kako se mijenjaju u bolesti
i intervenirajmo u te promjene
kako bismo ih liječili.
Tada sam shvatila zašto
to nitko nije učinio prije:
to je iznimno teško.
(Smijeh)
Postoje mnogi metaboliti u našem tijelu.
Svaki od njih različit je od onog drugog.
Nekim metabolitima možemo
mjeriti molekularnu masu
instrumentima za spektrometriju mase.
No kako bi moglo biti, recimo,
10 molekula s istom masom,
ne znamo točno koje su,
pa ako ih želite sve jasno identificirati,
treba raditi još eksperimenata,
što bi moglo trajati desetljećima
i stajati milijarde dolara.
Tako smo razvili umjetnu inteligenciju,
ili AI, kao platformu koja će to učiniti.
Iskoristili smo rast bioloških podataka
i izgradili bazu podataka svih postojećih
informacija o metabolitima
i interakcija njih s drugim molekulama.
Povezali smo sve te podatke u megamrežu.
Zatim iz tkiva ili krvi bolesnika
mjerimo mase metabolita
i tražimo one koje se mijenjaju u bolesti.
Ali, kao što sam spomenula ranije,
ne znamo točno koji su.
Molekulska masa 180 može biti
glukoza, galaktoza ili fruktoza.
Sve one imaju iste mase
ali različite funkcije u našem tijelu.
Naš AI algoritam uzima u obzir
sve te nedorečenosti.
Zatim pretražuje tu megamrežu
da vidi kako su te metaboličke mase
međusobno povezane
kad rezultiraju bolešću.
I po načinu na koji su povezani,
onda možemo zaključiti
što je svaka metabolička masa,
kao, ovdje bi 180 mogla biti glukoza,
i, što je još važnije, otkriti
kako promjene u glukozi
i drugim metabolitima
dovode do bolesti.
To novo razumijevanje mehanizama bolesti
omogućuje nam zatim otkrivanje
učinkovitih ciljanih terapija.
Stoga smo osnovali start-up tvrtku kako
bismo tu tehnologiju stavili na tržište
i poboljšali živote ljudi.
Sada moj tim i ja u ReviveMed
radimo na otkrivanju
terapija za glavne bolesti
kojima su ključni pokretači metaboliti,
poput bolesti masne jetre,
jer je uzrokovana nakupljanjem masti,
koje su vrste metabolita u jetri.
Kao što sam spomenula ranije,
to je ogromna epidemija bez lijeka.
A bolest masne jetre je
samo jedan primjer.
Ubuduće ćemo se boriti
sa stotinama drugih bolesti
za koje nema lijeka.
Prikupljanjem sve više
podataka o metabolitima
i razumijevanjem kako promjene metabolita
dovode do razvoja bolesti,
naši algoritmi će postajati sve pametniji
u otkrivanju pravih terapija
za pravog pacijenta.
Približit ćemo se ostvarenju naše vizije:
spašavanja života sa svakim retkom koda.
Hvala vam.
(Pljesak)
2003-ban,
amikor szekvenáltuk az emberi genomot,
azt gondoltuk, hogy megkapjuk a választ
számos betegség kezelésére,
de a valóság távol áll ettől,
mert a génjeink mellett
környezetünk és életmódunk is
jelentős szerepet játszik
a főbb betegségek kialakulásában.
Az egyik példa a zsírmáj,
ami a világ népességének
több mint 20 százalékát érinti,
nincs gyógymódja, és májrákhoz
vagy májelégtelenséghez vezet.
Tehát csak a DNS szekvenálása
nem ad elegendő információt ahhoz,
hogy hatékony terápiákat találjunk.
A jó hír, hogy sok más molekula is,
valójában több mint 100 000 metabolit
található a testünkben.
A metabolitok rendkívül
kis méretű molekulák.
Ismert példák a glükóz,
a fruktóz, a zsírok, a koleszterin –
ezekről állandóan hallunk.
A metabolitok részt vesznek
az anyagcserénkben.
Ezek úgyszintén a DNS
gyakorlati megvalósulásai,
tehát információkat hordoznak
génjeinkről és életmódunkról.
A metabolitok megértése sok betegségnél
szükséges a gyógymód megtalálásához.
Mindig betegeket akartam kezelni.
Ennek ellenére 15 évvel ezelőtt
otthagytam az orvosi iskolát,
mivel hiányzott a matematika.
Nem sokkal ezután
rátaláltam a legmenőbb dologra:
Tudom használni a matematikát
az orvostudomány tanulmányozására.
Azóta algoritmusokat fejlesztek
biológiai adatok elemzésére.
Ez könnyűnek tűnt:
gyűjtsünk adatokat
a testben levő összes metabolitról,
írjuk le matematikai modellekkel,
hogyan változnak meg egy betegség során,
és avatkozzunk be
ezekbe a változásokba, kezeljük őket.
Aztán rájöttem, miért nem
foglalkozott ezzel még senki:
mert rendkívül nehéz.
(Nevetés)
A szervezetben sok metabolit található.
Mindegyik különbözik a másiktól.
Egyes metabolitok molekulatömege
mérhető tömegspektrometriás eszközökkel.
De mivel akár 10 molekulának is lehet
pontosan ugyanakkora a tömege,
nem tudjuk pontosan, melyek azok,
és az egyértelmű beazonosításhoz
több kísérlet kéne,
ez pedig évtizedeket
és dollármilliárdokat venne igénybe.
Tehát kifejlesztettünk rá
egy mesterséges intelligenciát.
Kihasználtuk a biológiai adatok
szüntelen gyarapodását,
és felépítettünk egy adatbázist
a metabolitokról meglévő információkból,
és kölcsönhatásukról más molekulákkal.
Egy megahálózatban összesítettük
ezeket az adatokat.
Ezután a betegek szöveteiből vagy véréből
megmérjük a metabolitok tömegét,
és megkeressük azokat a tömegeket,
amelyek megváltoztak a betegségben.
De, ahogy korábban is említettem,
nem tudjuk pontosan, melyek azok.
A 180-as molekulatömeg
lehet glükóz, galaktóz vagy fruktóz is.
Mindegyik pontosan egyforma tömegű,
de különböző funkciókat
látnak el a testünkben.
Az MI algoritmusunk
figyelembe vette mindezt.
Ezután átnézte a megahálózatot,
hogy megtudja, ezek a metabolikus tömegek
hogyan kapcsolódnak egymáshoz,
hogyan vezetnek betegséghez.
A kapcsolódásuk módjából
képesek vagyunk következtetni arra,
mik is ezek a metabolitok,
hogy a 180-as tömegű itt glükóz lehet,
és ami még fontosabb, hogy felfedezzük,
a glükóz és más metabolitok változása
hogyan vezet betegséghez.
A betegségmechanizmusok
ezen újszerű megértése lehetővé teszi,
hogy hatékony terápiás gyógyszereket
fejlesszünk ki a kezeléshez.
Létrehoztunk egy induló vállalkozást,
hogy ezt a technológiát forgalomba hozzuk,
és hatással legyünk az emberek életére.
Jelenleg csapatommal a ReviveMednél
a fő betegségek kezelését fejlesztjük,
melynek során a metabolitok
kulcsfontosságú szerepet játszanak,
mint például a zsírmáj,
melyet a zsírok felhalmozódása okoz,
amelyek a máj metabolittípusai.
Ahogy korábban említettem,
ez elterjedt betegség, gyógymód nélkül.
A zsírmáj csak egy példa erre.
Ahogy haladunk előre,
ma még gyógyíthatatlan betegségek
százait fogjuk tudni kezelni.
Majd ahogy egyre több
metabolitadatot gyűjtünk,
és megértjük, hogy a metabolitok változása
hogyan vezet betegségek kifejlődéséhez,
algoritmusaink egyre okosabbak
a betegek számára megfelelő
kezelések kifejlesztésében.
És egyre közelebb kerülünk
ahhoz az elképzelésünkhöz,
hogy minden kódsorral életeket mentsünk.
Köszönöm.
(Taps)
Pada tahun 2003,
ketika melakukan sekuens
genom pada manusia,
kami pikir menemukan jawaban untuk
mengobati berbagai penyakit itu mudah.
Ternyata kenyataannya tidak semudah itu,
karena selain gen,
lingkungan dan gaya hidup
manusia juga memiliki peranan penting
yang memengaruhi berbagai penyakit mayor.
Contohnya adalah penyakit hati berlemak,
yang memengaruhi 20% populasi global,
belum ditemukan pengobatannya
dan menjadi penyebab kanker hati
atau gagal hati.
Sekuens DNA saja belum cukup
memberikan informasi
untuk mendapatkan terapeutik yang efektif.
Untungnya, ada banyak molekul
lain di dalam tubuh,
bahkan ada lebih dari 100 ribu metabolit.
Metabolit adalah molekul yang
berukuran sangat kecil.
Contohnya adalah glukosa,
fruktosa, lemak, kolesterol --
yang sudah sering kita dengar.
Metabolit terbentuk dari metabolisme.
Metabolit adalah bagian hilir DNA,
yang berfungsi membawa
informasi gen dan gaya hidup manusia.
Memahami metabolit bermanfaat
untuk menemukan pengobatan
berbagai penyakit.
Dulu saya bercita-cita menjadi
seorang dokter.
Tetapi, 15 tahun lalu saya harus
meninggalkan
sekolah kedokteran,
karena tidak lulus pelajaran matematika.
Sejak saat itu, saya sadar bahwa
matematika bisa digunakan untuk
mempelajari obat-obatan.
Kemudian, saya mengembangkan
algoritma untuk menganalisis data biologi.
Kedengarannya mudah.
Mengumpulkan data metabolit
dari dalam tubuh,
mengembangkan model matematika
untuk menguraikan perubahan data metabolit
di dalam penyakit,
lalu mengendalikan perubahan
tersebut untuk mengobati penyakit.
Kemudian saya sadar belum
ada orang yang melakukan ini
karena benar-benar sulit.
(Tertawa)
Metabolit banyak terdapat
di dalam tubuh.
Setiap metabolit berbeda satu sama lain.
Beberapa senyawa metabolit
dapat diukur massa molekulernya
menggunakan alat spektometri massa.
Namun, karena ada 10 molekul
dengan massa yang persis sama,
molekul yang pasti sulit diketahui
dan jika ingin melakukan identifikasi,
diperlukan pengujian lebih lanjut
yang memakan waktu lama
dan berharga jutaan dolar.
Sehingga kami membangun Inteligensi
Artifisial atau platform AI
untuk memaksimalkan
perkembangan data biologi
serta membangun pangkalan data
informasi tentang metabolit
dan interaksinya dengan molekul lain.
Kami menggabungkan semua data
dalam jaringan besar.
Kemudian, kami mengambil
jaringan atau darah pasien,
untuk mengukur massa metabolit
dan mencari massa yang berubah
di dalam penyakit.
Tetapi, kami belum menemukan
senyawa molekul yang pasti.
Massa molekuler 180 mungkin
adalah glukosa, galaktosa, atau fruktosa,
yang memiliki massa persis sama
tetapi fungsinya berbeda di dalam tubuh.
Algoritma AI menjawab
semua ambiguitas itu.
AI menggali jaringan besar
untuk menemukan cara
massa metabolit terhubung satu sama lain
yang mengakibatkan timbulnya penyakit.
Dari cara metabolit terhubung,
kami menentukan massa setiap metabolit,
misalnya, massa molekuler 180
adalah glukosa
dan yang lebih penting kami menemukan
bahwa perubahan dalam glukosa
dan metabolit lain
dapat menyebabkan
penyakit.
Penemuan baru tentang
mekanisme penyakit ini
memungkinkan kita untuk menemukan
terapeutik efektif sebagai pengobatan.
Lalu, kami mendirikan perusahaan rintisan
untuk membawa teknologi ini ke pasar
dan menyelamatkan jiwa manusia.
Saat ini saya dan tim di ReviveMed
bekerja untuk menemukan
terapeutik bagi penyakit mayor
yang disebabkan oleh metabolit,
seperti penyakit hati berlemak,
akibat timbunan lemak
yang merupakan tipe metabolit
di dalam hati.
Penyakit ini adalah epidemi besar
yang belum ditemukan obatnya.
Penyakit hati berlemak hanya
sebuah contoh.
Selanjutnya, kami akan menangani
ratusan penyakit lain
yang belum tertangani.
Dengan mengumpulkan lebih
banyak data metabolit
dan memahami bahwa perubahan
di dalam metabolit
bisa menjadi penyebab penyakit,
algoritma bisa diandalkan
untuk menemukan terapeutik yang
sesuai untuk pasien yang tepat.
Visi kami akan lebih mudah dicapai,
yaitu menyelamatkan jiwa manusia
menggunakan setiap baris kode.
Terima kasih.
(Tepuk tangan)
2003年に
ヒトゲノムを解読したとき
多くの病気を治療するための
答えが手に入ると考えました
しかし現実はそれと程遠いものでした
私たちの遺伝子に加えて
環境やライフスタイルも
多くの主要な病気を引き起こす―
重大な要因になりうるからです
一例が脂肪肝です
世界人口の20%以上が冒され
治療法もなく 肝がんまたは
肝不全に至ります
従って DNAの解読だけでは
効果的な治療法を見つけるのに
十分な情報が得られません
明るい面を見れば 人体には
他にもたくさんの分子があります
実際 10万以上の中間代謝産物があります
中間代謝産物とは
その大きさが非常に小さい分子です
知られている例として ブドウ糖
果糖 脂肪やコレステロールなどがあります
いつも耳にするものです
中間代謝産物は私たちの代謝に
関与しています
さらにDNAの制御下にもあるので
遺伝子とライフスタイルの両方からの
情報を持っています
多くの病気の治療法を見つけるには
中間代謝産物への理解が不可欠です
私はずっと 患者を治療したいと
思ってきました
それなのに 15年前に
医学部をやめてしまったのは
数学への思いを捨てられなかったからです
その後すぐに
私は素晴らしいことに気付きました
数学を使って医学の研究が
できるということです
以来 私は生物学的データを分析するための
アルゴリズムを開発しています
簡単そうに見えたのです
体内の すべての中間代謝産物に関する
データを集めて
病気の時どのように変化するかを表す
数学的モデルを開発して
治療のために その変化に介入するのです
そして これまで誰もこれを
やったことがない理由に気付きました
とても難しいからです
(笑)
私たちの体には多くの中間代謝産物があります
すべてが他のものとは異なります
いくつかの中間代謝産物については
質量分析機を使用して
分子量を測定できます
しかし まったく同じ質量を持つ分子が
10種類あることがあります
それらが何であるかを知ることは難しく
それらすべてを同定したい場合は
さらに実験を行う必要があり
これには数十年という月日と
数十億ドルがかかるかもしれません
そこで 私たちはそれを行うために 人工知能
つまりAIのプラットフォームを開発しました
生物学的データの増加を活用し
中間代謝産物に関するすべての既存の情報と
他の分子との相互作用に関する
データベースを構築しました
私たちはこのすべてのデータを
メガネットワークとして総合しました
そして 患者の組織や血液から
中間代謝産物の質量を測定して
病気になった時に変化する
中間代謝産物の質量を調べます
しかし 先に述べたように
それらが何であるかは正確には分かりません
180の分子量を持つのはブドウ糖かもしれず
ガラクトースまたは果糖であるかもしれません
それらは完全に同じ質量を持っていますが
体内での機能はそれぞれ異なります
私たちのAIアルゴリズムは
これらすべての曖昧さを計算に入れています
そしてメガネットワークを探索して
どのように中間代謝産物同士が関連して
病気を引き起こすかを突き詰めるのです
それらがどのように繋がっているかによって
私たちは各中間代謝産物の質量から
その物質を推測することができます
例えば この180の分子量は
ブドウ糖の可能性があります
もっと重要なことは
ブドウ糖や他の中間代謝産物の変化が
どのように病気に繋がるのかを
解明できるということです
こんな 病気のメカニズムへの新しい理解から
それを標的にした
効果的な治療法を見つけることができます
私たちはスタート・アップ企業を設立して
この技術を市場に出し
人々の生活に影響を与えようとしています
現在 私と私のチームはReviveMedで
中間代謝産物が主たる要因となる重要疾患の
治療法を見つけることに取り組んでいます
脂肪肝の場合
脂肪の蓄積が原因で発生します
脂肪は肝臓に存在する中間代謝産物の1つです
先に述べたように
脂肪肝は蔓延していて 治療法もありません
脂肪肝は一例に過ぎません
さらに私たちは治療法のない
何百もの病気に対する研究に取り組みます
中間代謝産物に関するデータを収集し続けて
中間代謝産物の変化が
どのように疾気の発症に繋がるのかを
理解することで
私たちのアルゴリズムは
より賢くなって
適切な患者に 適切な治療法を
発見できるようになります
こうして AIを使い
効率よく人の命を救うという
私たちの目標に近づくのです
ありがとうございます
(拍手)
2003년
인간 유전체 서열의 해독으로
많은 질병의 치료에 대한 기대가 컸지만
현실과는 거리가 멀었어요.
유전체 말고도
환경과 생활 방식이 많은 주요 질병들에
상당한 영향을 미치기 때문이죠.
한 예로, 지방간 질환으로
전 세계 20%가 넘는 사람들이
고생하고 있지만
치료법이 없어 간암이나
간부전으로 진행하게 됩니다.
DNA 염기서열의 해독만으로는
효과적인 치료법을
찾을 수 없는 이유죠.
다행히 체내에는
다른 많은 분자 구조들이,
실제로 10만개 이상의
대사물이 존재합니다.
상당히 작은 크기의 분자 구조를
대사물이라고 하는데
포도당, 과당, 지방, 콜레스테롤 등
항상 듣는 것들이죠.
신진대사에 영향을 주는 대사물은
DNA의 아래 부분에 위치해
유전자와 생활방식에 대한
모든 정보를 가지고 있어서
이 물질에 대한 이해는 많은 질병의
치료법을 찾는 데에 필수적입니다.
늘 환자들을 치료하는게 꿈이었지만
15년 전에 제가 의대를 그만둔 건
수학에 대한 미련 때문이었어요.
곧 알게 된 아주 신나는 일은
의학에 수학을
활용할 수 있다는 사실이었죠.
그때부터 저는 생물학 자료의
분석 알고리즘을 개발하고 있어요.
처음엔 아주 쉽게 들렸죠.
체내의 모든 대사물에 대한
자료들을 모아서
병으로 발전하는 과정을 보여주는
수학적 모형을 만들고
그 과정에 개입해 치료한다는 건데
왜 아무도 이걸 해보지 않았는지
곧 알게 됐어요.
완전 어렵더라고요.
(웃음)
우리 몸 안의 많은 대사물은
각기 성질을 달리 합니다.
어떤 대사물은 질량 분석기를 통해
분자량의 측정이 가능하지만
같은 질량의 분자가
10개나 될 수도 있고
정체 조차 모르는
그 모든 분자들을
명확히 식별해 내려면
더 많은 실험을 거쳐야 하는데,
수십 년 동안
수십 억의 예산이 들겠죠.
그래서 인공지능 플랫폼을 개발했어요.
생물학 자료들의 증가를 활용해
대사물과 다른 분자와의 상호작용에 대한
기존 정보의 데이터베이스를 만들고
이 모든 자료들을 모아
메가네트워크를 구축했어요.
그리고 환자들의 조직이나 혈액에서
대사물 질량을 측정해
발병 시 질량의 변화를 살펴봤어요.
하지만 말씀드렸듯이,
정확히 그것이 뭔지 알지 못하죠.
포도당, 갈락토오스, 과당 모두
분자량이 180이니까요.
정확하게 같은 질량을 가지고 있지만
체내에서의 기능은 각기 다르죠.
이런 모호성까지 감안하는
저희 인공지능 알고리즘은
메가네트워크에 들어가
어떤 상호작용을 거쳐
이 대사물들이 병으로 발전하는지
밝혀 내려고 하고 있어요.
연결되어 있는 방식에 따라
각 대사물의 분자량 유추가 가능한데,
여기 180은 포도당을 가리키겠죠.
더 중요한 사실은
포도당과 다른 대사물들이
어떤 변이를 거쳐 병이 되는지
알 수 있다는 것입니다.
질병 구조의 이해를 위한
이런 참신한 시도로
효과적인 치료법을 발견할 수 있는 거죠.
그래서 이 기술을 상용화하고
사람들을 돕기 위해
새로 회사를 차렸어요.
현재 ReviveMed에서
일하는 저희 팀은
발병 원인이 대사물인 주요 질병의
치료법을 연구하고 있어요.
지방간의 경우에는
간에 있는 대사물 중 하나인
지방의 축적이 그 원인인데
말씀드린 것처럼, 치료법도 없는데
급속히 증가하고 있죠.
지방간 질환은
하나의 예에 불과해요.
계속해서 저희는
수많은 병의 치료법을 찾기 위해
노력할 것입니다.
대사물에 대한 자료를
더 많이 수집하고
대사물의 변이가
어떻게 병으로 발전하는지
알아가는 과정을 통해
저희 알고리즘은 점점 더 똑똑해져
환자에게 맞는 올바른 치료법을
발견하게 될거에요.
코드 한 줄을 쓸 때 마다
생명을 구한다는 비전에
좀 더 다가갈 것입니다.
감사합니다.
(박수)
لە ساڵی 2013دا
کاتێک جیناتی مرۆڤمان زنجیرە کرد،
پێمان وابوو وەڵامێکمان بۆ چارەسەرکدنی
زۆر نەخۆشی دەبێت.
بەڵام ڕاستییەکە لەوەوە دوورە،
چونکە بە زیاد کردن بۆ جیناتمان،
ژینگەکەمان و شێوازی ژیانمان دەورێکی گرنگی
هەیە
لە بەرەو پێشچونی چەند نەخۆشییەک.
وەکو نموونەیەک بۆ ئەوە نەخۆشی چەوری جگەرە،
کە لەسەدا٢٠ ی دانیشتوان لەسەر ئاستی جیهان
توشی دەبن،
و هیچ چارەسەرێکی نییە
و دەبێت بە شێرپەنجەی جگەر
یان لە ئیش کەوتنی جگەر.
کەواتە زنجیرەکردنی دی ئێن ئەی بە تەنها
زانیاری تەواومان ناداتێ
بۆ دۆزینەوەی چارەسەرە کاریگەرەکان.
لە لایەکی دیکەوە، چەند گەردێکی دیکە
لەناو لەشماندا هەن.
لە ڕاستیدا ،سەروو ١٠٠،٠٠٠ ماددەی
ماددە زیندەگییەکان هەیە.
گەردە زیندەگییەکان، ئەو گەردانەن کە
قەبارەیان ئەوپەڕی بچووکە.
گلوکۆز، فرەکتۆز(جۆرەکانی شەکر) و کۆلیسترۆل
نموونەی ناسراون--
شتانێک ئێمە هەموکات
دەیبیستین.
ماددە زیندەگییەکان بەشدارن لەکرداری
مێتابۆلیزم.
ئەوانیش وەک دی ئێن ئەین،
کەواتە زانیاریەکان لە جینات و شێوازی
ژیانمانەوە وەردەگرن.
تێگەیشتنی ماددە زیندەگییەکان بنچینەیە بۆ
دۆزینەوەی چارەسەری زۆربەی نەخۆشییەکان.
من هەمیشە چارەسەری نەخۆشەکانم ویستووە.
بیجگە لەوەش، ۱٥ساڵ
لەمەوبەر وازم لەخویندنی پزیشکی هێنا،
وەک چۆن بیرکاریم لە دەستدا.
هەر زوو دوای ئەوە، باشترین شتم دۆزیەوە:
دەتوانم بیرکاری بەکار بهێنم بۆ خوێندنی
دەرمانسازی.
لەو کاتەوە، ئالگۆریزمەکانم بۆ شیکردنەوەی
داتا زیندەوەرزانییەکان گەشەپێدا.
کەواتە، وا دیارە ئاسانە:
با زانیاری لە هەموو ماددە زیندەگییەکانی
ناو لەشمان کۆبکەینەوە،
گەشەپێدانی نموونە بیرکارییەکان بۆ
ڕوونکردنەوەی چۆنییەتی گۆڕانیان بۆ نەخۆشی
و دەست خستنە ناو ئەو گۆڕانانە بۆ چارەسەر
کردنیان.
دواتر درکم بەوە کرد بۆچی تا ئێستە
کەس ئەمەی نەکردووە:
ئەمە ئەوپەڕی سەختە.
(پێکەنین)
زۆرماددەی زیندەگی لە جەستەماندا هەیە.
هەر یەک لەوی تر جیاوازە.
بۆ هەندێک ماددەی زیندەگی، دەتوانین
ڕێژەی گەردەکانیان بپێوین
بە بەکارهەنانی ئامێری ڕێژە پێوی
سپێکترۆمیتری.
بەڵام، لەبەر ئەوەی بەهەمان ڕێژە، هێندەی
١٠ گەرد دەبوون،
بە تەواوەتی نازانین ئەوان چین،
و ئەگەر دەتەوێت بەڕوونی ئەوان بناسێنیت،
دەبێت تاقیکردنەوەی زیاتر بکەیت، کە ئەوەش
چەند ساڵێکی دەوێت
و بلیۆنان دۆلاریش.
هەروەها ئێمە پەرەمان بە زیرەکییەکی دەستکرد
دا، یان سەکۆی ئەی ئێل، بۆ کردنی ئەوە.
ئێمە سودمان لە گەشەسەندنی زانیارییە
زیندەوەرییەکان وەرگرت
و بنیاتنانی داتابەیسێک بۆ هەر زانیاریەک کە
دەربارەی ماددە زیندەگییەکان هەیە
و کارلێک کردنیان لەگەڵ گەردەکانی تر.
و هەموو ئەم زانیاریانەمان یەکخست وەکو
تۆڕێکی گەورە.
دواتر، لە شانە یان خوێنی نەخۆشەکانەوە،
ڕێژەی ماددە زیندەگییەکانمان پێوا
و ئەو ڕێژانەمان دۆزییەوە کە دەگۆڕان
بۆ نەخۆشی.
بەڵام، وەکو پێشتر ئاماژەم پێدا، ئێمە
بە تەواوی نازانین ئەوان چین.
گەردی قەبارە ١٨٠لەوانەیە، گلوکۆز، گالاکتۆز
یان فرەکتۆز بێت.
هەمویان ڕێژەیەکی تەواو وەک یەکیان هەیە
بەڵام ئەرکی جیاواز لە لەشماندا.
سیستەمی ئەی ئێڵ ئەلگۆریزمەکەمان ڕەچاوی
هەمو ئەو ناڕوونیانەی کردووە.
دواتر ئەو تۆڕە گەورەی بەکارهێنا
بۆ دۆزینەوەی ئەوەی چۆن ڕێژەی ماددە
زیندەگەیەکان پێکەوە دەبەسترێن
کە دەرئەنجامەکەی دەبێت بە نەخۆشی.
و بەهۆی ئەو ڕێگەیەی پێکەوە بەستراون،
دەتوانین بۆمان دەربکەوەت، ڕێژەی هەر ماددە
زیندەگەییەک چەندە،
وەکو ئەوە کە ١٨٠ دەبێت لێرە شەکری گلوکۆز
بێت،
و، لەوە گرنگتر، بۆ دۆزینەوە ئەمەیە:
چۆن گۆڕان لە گلوکۆز و گەردە زیندەگەییەکانی
تر
دەبن بە نەخۆشی
ئەم تێگەیشتنە نوێیەی ڕێگەکانی کارکردنی
نەخۆشی
دواتر وامان لێدەکات چارەسەرە کاریگەرەکان
بۆ ئەو مەبەستە بدۆزینەوە.
کارگەیەکی تازەمان بۆ هێنانە بازاڕی ئەو
تەکنەلۆژیایە پێک هێنا
و کار دەکاتە سەر ژیانی خەڵک.
ئێستا من و تیمەکەم لە (ڕێڤیمێد) کار دەکەین
بۆ دۆزینەوەی
چارەسەر بۆ زۆربەی نەخۆشی، کە کلیلەکەیان
ماددە زیندەگەییەکانە،
وەکو نەخۆشی چەوری جگەر،
لەبەر ئەوەی هۆکارەکەی کەڵەکەبوونی
چەورییەکانە،
کە لە جۆری ماددە زیندەگییەکانن لە ناو
جگەردا.
وەکو پێشتر ئاماژەم پێدا، درمێکی زۆر
گەورەیە بە بێ چارەسەر.
و نەخۆشی چەوری جگەر تەنها نموونەیەکە.
بە بەردەوامبوون، ڕووبەڕووی سەدان نەخۆشی
دیکە دەبینەوە
بە بێ بوونی چارەسەر.
و بە کۆکردنەوەی زانیاری زیاتر و زیاتر
دەربارەی ماددە زیندەگییەکان
و تێگەیشتن لەوەی ماددە زیندەگییەکان چۆن
دەگۆڕێن
دەبن بە نەخۆشی گەشەسەندوو،
بەمەش سیستەمە ئەلگۆریزمەکەمان زیرەکترو
زیرەکتر دەبێت
بۆ دۆزینەوەی چارەسەری گونجاو بۆ نەخۆشی
گونجاو.
و ئێمە لە گەیشتن بە وەشانی پاراستنی ژیانی
خۆمان نزیکتر دەبینەوە لە هەر هێڵێکی کۆد.
(سوپاس)
(چەپڵەی ئامادەبوان)
2003-iais metais,
kai iššifravome žmogaus
genomo seką, galvojome,
jog radome atsakymą,
kaip išgydyti daug ligų.
Tačiau tai toli gražu ne tikrovė.
Be mūsų genų, didelę reikšmę
daugumos ligų vystymuisi gali turėti
aplinka ir gyvenimo būdas.
Pavyzdžiui, kepenų suriebėjimas,
tai liga, kuri
kankina 20 procentų
žmonių populiacijos globaliai.
Ši liga nepagydoma
ir sukelia kepenų vėžį
arba kepenų nepakankamumą.
Taigi, vien genomo sekos iššifravimas
mums nesuteikia
pakankamai informacijos rasti
veiksmingą ligos gydymą.
Iš kitos pusės, savo kūne turime
daugybę kitų molekulių.
Išties, mūsų kūnuose
yra daugiau nei 100 000 metabolitų.
Metabolitai – tai bet kokios
labai mažos molekulės.
Gerai žinomi pavyzdžiai yra gliukozė,
fruktozė, riebalai, cholesterolis –
dalykai, apie kuriuos nuolat girdime.
Metabolitai dalyvauja
mūsų medžiagų apykaitoje.
Jie turi informaciją, susijusią
tiek su mūsų genais,
tiek su mūsų gyvenimo būdu.
Metabolitus suvokti labai svarbu,
norint surasti įvairių ligų gydymą.
Aš visuomet norėjau gydyti pacientus.
Nepaisant to, prieš 15 metų
mečiau medicinos mokslus,
kadangi pasiilgau matematikos.
Greitai atradau nuostabiausią dalyką:
aš galiu naudoti matematiką
mokytis medicinos.
Nuo tada aš kuriu algoritmus
analizuoti biologinius duomenis.
Tai atrodė paprastai:
surinkime duomenis iš visų metabolitų,
esančių mūsų kūnuose,
sukurkime matematinius modelius,
kaip metabolitai kinta susirgus,
ir tuomet sutrukdykime tiems
pokyčiams, jog išgydytume ligą.
Tuomet supratau, kodėl niekas
anksčiau to nedarė:
tai nepaprastai sudėtinga.
(Juokas)
Mūsų kūnuose yra daugybė metabolitų.
Jie skiriasi vienas nuo kito.
Mes galime pamatuoti kai kurių
metabolitų molekulinę masę,
naudojant masių spektometrijos prietaisus.
Bet net 10 molekulių
gali turėti tokią pačią masę,
todėl mes tiksliai nežinome,
kas jie yra.
Norint tiksliai juos identifikuoti,
turime daryti daugiau bandymų,
kurie gali užtrukti dešimtmečius
ir kainuoti milijardus dolerių.
Taigi mes sukūrėme dirbtinio intelekto
(DI) platformą, galinčią tai padaryti.
Mes pasinaudojome
biologinių duomenų augimu
ir sukūrėme duombazę, turinčią visą
dabartinę informaciją apie metabolitus
ir jų sąveiką su kitomis molekulėmis.
Šią informaciją mes sujungėme
į didžiulį tinklą.
Tuomet iš paciento audinių ar kraujo
mes matuojame metabolitų masę ir randame
tuos metabolitus,
kurie dėl ligos yra pasikeitę.
Kaip minėjau anksčiau,
mes nežinome, kas jie yra.
180 molekulinį svorį gali sverti
gliukozė, galaktozė ir fruktozė.
Jie visi sveria tiek pat, tik
mūsų kūnuose atlieka skirtingas funkcijas.
Mūsų DI algoritmas apsvarsto
visus šiuos neaiškumus.
Tuomet jis atrado tinklą,
kuris padėjo sužinoti
kaip šios masės yra susijusios
viena su kita,
sukeliant ligą.
Dėl šių sąsajų mes gebame
atlikti išvadą, kas iš tiesų yra
kiekviena metabolito masė.
Tas 180 čia gali būti gliukozė.
Svarbiausia, dėl to mes galime atrasti
kaip pokyčiai gliukozėje
ir kituose metabolituose
priveda iki ligos.
Šis naujas ligos mechanizmų suvokimas
leidžia mums atrasti
veiksmingą gydymą šioms ligoms.
Taigi, mes įkūrėme startuolį,
kad pristatytume rinkai šias technologijas
ir pagerintume žmonių gyvenimus.
Mano komanda „ReviveMed“ ir aš dirbame,
jog atrastumėme
gydymą ligoms, kurių atsiradimui
svarbiausią įtaką daro metabolitai,
pavyzdžiui, kepenų nepakankamumui.
Ši liga yra atsiranda
susikaupus riebalams,
t. y. tam tikras metabolitų tipas,
esantis kepenyse.
Kaip minėjau, tai didelė epidemija,
kuri nėra pagydoma.
Ir tai tik vienas pavyzdys.
Judėdami pirmyn mes apimsime
šimtus įvairių ligų,
kurios neturi jokio gydymo.
Renkant vis daugiau ir daugiau
informacijos apie metabolitus
ir suprantant, kaip jų pokyčiai
veda prie ligų vystymosi,
mūsų algoritmai tobulės ir atras
tinkamą gydymą pacientams.
Mes einame vis arčiau savo tikslo link –
išsaugoti gyvybes
su kiekviena kodo eilute.
Ačiū.
(Plojimai)
၂၀၀၃ ခုနစ်မှာ
လူသားတွေရဲ့ မျိူးရိုးဗီဇကို
အစဉ်လိုက်စဉ်ခဲ့တုန်းက
ရောဂါအများကြီးကို ကုသနိုင်တဲ့
အဖြေကိုတွေ့ပြီလို့ထင်ခဲ့တယ်
ဒါပေမဲ့ တကယ်ကတော့ အဲလိုမျိုးမဟုတ်ပါဘူး
မျိူးရိုးဗီဇကို ထပ်ပေါင်းထည့်ခြင်းက
ပတ်ဝန်းကျင်နဲ့လူနေမှုပုံစံမှာ
အရေးကြီးတဲ့ အပိုင်းဖြစ်တဲ့
ရောဂါတွေ ဖွံဖြိုးစေခြင်းပဲဖြစ်တယ်
နမူနာအနေဖြင့် အသည်းအဆီများသောရောဂါက
ကမ္ဘာတစ်ခုလုံးရဲ့ လူဦးရေ ၂၀
ရာခိုင်နှုန်း ဖြစ်ပွားနေပါတယ်
ကုသမှုမရှိရင် အသည်းကင်ဆာ
ကိုဖြစ်စေလိမ့်မယ် ဒါမှမဟုတ်ရင်
အသည်းပျက်စီးစေတယ်
ဒါကြောင့် မျိူးရိုးဗီဇတစ်ခုတည်းစဉ်ခြင်း
ကသက်ရောက်မှုရှိတဲ့ ကုထုံးကိုရှာဖို့
လုံလောက်တဲ့ အချက်အလက်
တွေကိုမပေးစွမ်းနိုင်ပါဘူး
အကောင်းဘက်က ပြောရရင် ခန္ဓာကိုယ်မှာ
အခြားသောမော်လီကျူးတွေအများကြီးရှိတယ်
တကယ်တမ်းက ဇီ၀ဖြစ်စဉ်
ဖြစ်စေတဲ့အရာတစ်သိန်းကျော်ရှိပါတယ်
ဇီ၀ဖြစ်စဉ်ဖြစ်စေတဲ့ အရာတွေကအရမ်းကို
သေးငယ်တဲ့အရွယ်ရှိတဲ့မော်လီကျူးအမျိူးအစားပါ
လူသိများတဲ့ နမူနာတွေက ဂလူးကိုစ်ဓာတ်၊
သကြားဓာတ်၊ အဆီ၊ သွေးထဲကအဆီတွေက
တစ်ချိန်လုံး ကြားနေရတဲ့အရာတွေပါ
ဇီ၀ဖြစ်စဉ်ဖြစ်ပွားရင် ဇီ၀ဖြစ်စဉ်
ဖြစ်တဲ့အရာတွေပါဝင်လာပါတယ်
အဲဒါတွေက ဗီဇပစ္စည်းတွေကို စီးဆင်းစေတယ်
ဒါကြောင့် မျိူးဗီဇနဲ့နေထိုင်တဲ့ပုံစံတွေ
ရဲ့အချက်အလက်တွေကိုသယ်ဆောင်ပေးနိုင်တယ်
ဇီ၀ဖြစ်စဉ်ဖြစ်စေတဲ့ အရာတွေကို နားလည်ခြင်းက
ရောဂါကုသမှုရှာဖွေရာမှာမရှိမဖြစ်အရေးပါတယ်
ကျွန်မ လူနာတွေကို အမြဲကုသပေးချင်ခဲ့ဖူးတယ်
ဒါပေမဲ့လည်း လွန်ခဲ့တဲ့၁၅နှစ်
ဆေးကျောင်းက ထွက်လာခဲ့တုန်းက
သင်္ချာသင်ရတာကို တမ်းတမိတယ်
မကြာမီမှာပဲ အရမ်းကောင်းတဲ့
အချက်ကိုတွေ့ရှိခဲ့တယ်
ဆေးပညာမှာ သင်္ချာကို
အသုံးပြုလာနိုင်တာဖြစ်တယ်
သက်ရှိတွေနဲ့ဆိုင်တဲ့ အချက်အလက်တွေကို
စူးစမ်းဖို့ ကိန်းဂဏန်းတွေကိုလေ့လာခဲ့တယ်
ပြောရင်တော့ လွယ်တဲ့ပုံပါပဲ
ခန္ဓာကိုယ်မှာရှိတဲ့ ဇီ၀ဖြစ်စဉ်ဖြစ်စေတဲ့အရာ
တွေရဲ့ အချက်အလက်တွေ စုဆောင်းရတယ်
ရောဂါအဖြစ် ဘယ်လိုပြောင်းလဲ
ဆိုတာကို ဖော်ပြဖို့သင်္ချာဒီဇိုင်းတွေ
ရောဂါပြောင်းလဲမှုကို ကုသဖို့အဟန့်အတားတွေ
ကိုတည်ဆောက်ရတယ်
ဒါကြောင့် အရင်ကမလုပ်ခဲ့တာလို့
လုပ်ရင်းသိလာတယ်
အရမ်းကိုခက်ခဲပါတယ်
(ရယ်သံ)
ဇီ၀ဖြစ်စဉ်ဖြစ်စေတဲ့ အရာများက
ခန္ဓာကိုယ်မှာရှိပါတယ်
တစ်ခုနဲ့တစ်ခုက ကွဲပြားပါတယ်
တချို့ဟာတွေအတွက်ဆိုရင် ဒြပ်ထုတိုင်းတာတဲ့
ပစ္စည်းတွေနဲ့တိုင်းတာရပါတယ်
ဘာလို့လဲဆိုတော့ မော်လီကျူး
ဆယ်ခုရဲ့ဒြပ်ထုနဲ့တူနေလို့ပါ
အဲဒါတွေကို တိတိကျကျမသိပါဘူး
ဒါအားလုံးကို ရှင်းလင်းစွာ ဖော်ထုတ်ချင်ရင်
ဆယ်စုနှစ်တွေ ကြာနိုင်တဲ့လက်တွေ့
စမ်းသပ်မှုတွေကိုလုပ်ဆောင်ရတယ်၊
ဘီလီယံချီတဲ့ဒေါ်လာတွေကုန်ကျတယ်။
ဒီတော့ ဒါကို လုပ်ဆောင်ဖို့
ဉာဏ်ရည်တု (သို့) Ai ကို. တီထွင်ခဲ့တယ်။
ဇီဝဆိုင်ရာ အချက်အလက် တိုးပွားမှုကို
မြှင်တင် အသုံးချတယ်။
တည်ရှိသမျှဇီ၀ဖြစ်စဉ်ဖြစ်တဲ့အရာ
တွေရဲ့အချက်အလက်တွေ
အဟန့်အတားမှာ ပါလာတဲ့ အခြားမော်လီကျူးတွေရဲ့
ဒေတာဘေ့စ် တည်ဆောက်တယ်။
ဒီအချက်အလက်အားကိုကြီးမားတဲ့
ကွန်ယက်အဖြစ်ပေါင်းလိုကိတယ်။
ဒီနောက် လူနာတွေရဲ့တစ်ရှူးတွေသွေးတွေကနေ
ဇီ၀ဖြစ်စဉ်ဖြစ်စေတဲ့ အရာတွေရဲ့
ဒြပ်ထုကိုတိုင်းတာတယ်
ရောဂါအဖြစ် ပြောင်းလဲသွားတဲ့
ဒြပ်ထုတွေကိုရှာဖွေတယ်
ဒါပေမဲ့ စောစောက ပြောခဲ့သလိုပဲ ဒါတွေက
ဘာတွေလဲဆိုတာ တိတိကျကျတော့မသိဘူး
ဒြပ်ထုက ၁၈၀ဖြစ်ရင် ဂလူးကို့စ်၊ဂလက်တို့စ်
သို့မဟုတ် သကြားဓာတ်ဖြစ်ချင်ဖြစ်နိုင်တယ်
သူတို့တွေမှာ တူညီတဲ့ ဒြပ်ထုတွေရှိနေကြတယ်
ဒါပေမဲ့ ကွဲပြားတဲ့လုပ်ဆောင်မှုတွေရှိတယ်
ဉာဏ်ရည်တုရဲ့ အတွက်အချက်ပိုင်းက
ဒီလိုဝိုးတိုးဝါးတား အချက်တွေကိုစဉ်းစားတယ်
ပြီးရင် ကြီးမားတဲ့ကွန်ယက်ထဲမှာမှတ်သားပြီး
ဇီ၀ဖြစ်စဉ်ဖြစ်စေတဲ့ အရာတွေရဲ့ဒြပ်ထုတွေက
ဘယ်လို တစ်ခုနဲ့တစ်ခုချိတ်ဆက်ပြီး
ရောဂါဖြစ်စေလဲ ဆိုတာကိုရှာဖွေတယ်
ဒီလိုမျိူးချိတ်ဆက်ရတဲ့အကြောင်းအရင်းက
ဇီ၀ဖြစ်စဉ်ဖြစ်စေတဲ့အရာတစ်ခုချင်းကို
ကောက်ချက်ချနိုင်တယ်
ဒြပ်ထု ၁၈၀ ဖြစ်တဲ့ ဂလူးကို့စ်လိုမျိူးပေါ့
ပြီးတော့ ပိုအရေးကြီးတာက
ဂလူးကို့စ်နဲ့ အခြားဇီ၀ဖြစ်စဉ်ဖြစ်တဲ့
အရာတွေကပြောင်းလဲပြီးရောဂါ
ဖြစ်လဲဆိုတာကို ရှာဖွေရန်ဖြစ်တယ်
ရောဂါစက်ယန္တရားရဲ့ ဆန်းသစ်တဲ့
သဘောတရားကို နားလည်ခြင်းက
သက်ရောက်မှုရှိတဲ့ကုထုံးကို
ဦးတည်ပြီးရှာဖွေနိုင်စေပါတယ်
ဒီနည်းပညာကိုစျေးကွက်ကို ဆောင်ကြဉ်းလာဖို့
အတွက်ကုမ္ပဏီကိုစတင်တည်ထောင်ခဲ့ပါတယ်
လူ့အသက်တွေပေါ်မှာ သက်ရောက်မှုရှိတယ်
အခု ကျွန်မအဖွဲ့နဲ့ ကျွန်မက
ReviveMed မှာလုပ်နေပြီး
ရောဂါအများစုရဲ့အဓိကကျတဲ့ဇီ၀ဖြစ်စဉ်
ပစ္စည်းတွေကိုရှာဖွေနေပါတယ်
အသည်းအဆီများခြင်း ရောဂါလိုမျိူးက
အဆီတွေစုခြင်းကြောင့် ဖြစ်လာရတာပါ
အဆီဆိုတာက အသည်းထဲမှာရှိတဲ့
ဇီ၀ဖြစ်စဉ်ပစ္စည်းဖြစ်တယ်
ပြောခဲ့တဲ့အတိုင်းပဲ ကုသမှု
မရှိသေးတဲ့ရောဂါကြီးပါ
အသည်းအဆီများခြင်းက နမူနာတစ်ခုသာဖြစ်ပါတယ်
ရှေ့ဆက်ပြောရရင် ကုသလို့မရတဲ့
ရောဂါ ရာနဲ့ချီတာတွေကို
ကိုင်တွယ်နေရပါတယ်
ဇီ၀ပစ္စည်းတွေကို ပိုပိုပြီးစုဆောင်းခြင်း
ရောဂါဖြစ်ဖို့ဦးတည်နေတဲ့
ဇီ၀ပစ္စည်းတွေထဲမှာ ပြောင်းလဲပုံတွေကို
နားလည်ခြင်းက
ကွန်ပျူတာရဲ့အတွက်အချက်ပိုင်းကို
ပိုပြီးကောင်းသထက်ကောင်းကာ
လူနာနဲ့ ကုထုံးမှန်ကန်အောင်
ရှာဖွေနိုင်စေပါတယ်
ကျွန်မတို့ရဲ့ ရည်မှန်းချက်ဖြစ်တဲ့
ကုဒ်တစ်ကြောင်းစီနဲ့
အသက်တွေကိုကယ်တင်ခြင်း
ကတော့တဖြည်းဖြည်းနီးကပ်လာပါပြီ
ကျေးဇူးတင်ပါတယ်
(လက်ခုပ်သံ)
Em 2003,
quando sequenciámos o genoma humano,
pensámos que teríamos a resposta
para tratar muitas doenças.
Mas a realidade está muito longe disso,
porque, para além dos nossos genes,
o nosso ambiente e estilo de vida
podem ter um papel significativo
no desenvolvimento de muitas doenças.
Um exemplo é a doença hepática gordurosa,
que afeta mais de 20%
da população, a nível mundial,
não tem tratamento
e pode resultar em cancro do fígado
ou insuficiência hepática.
Apenas sequenciar o ADN
não nos dá informação suficiente
para encontrar tratamentos eficazes.
Pelo lado positivo, o nosso corpo
possui muitas outras moléculas.
Na verdade,
há mais de 100 mil metabólitos.
Os metabólitos são moléculas
extremamente pequenas,
como a glucose, a frutose,
os lipídios, o colesterol...
coisas de que ouvimos falar a toda a hora.
Os metabólitos estão envolvidos
no nosso metabolismo.
Também estão por todo o ADN,
por isso possuem informações
dos nossos genes
e do nosso estilo de vida.
Entender os metabólitos é essencial
para encontrar tratamento
para muitas doenças.
Eu sempre quis tratar pacientes.
Mas, há 15 anos,
abandonei a faculdade de medicina,
porque reprovei a matemática.
Pouco tempo depois,
descobri uma coisa impressionante:
eu podia usar matemática
para estudar medicina.
Desde então tenho criado algoritmos
para analisar dados biológicos.
Parecia fácil,
vamos reunir dados de todos
os metabólitos do nosso corpo,
criar modelos matemáticos para mostrar
como as doenças os alteram
e intervir nessas alterações
para as tratar.
Então percebi porque é
que ninguém tinha feito isso antes.
É muito difícil.
(Risos)
Há muitos metabólitos no nosso corpo.
Todos diferentes uns dos outros.
Para alguns metabólitos,
podemos medir a sua massa molecular
utilizando instrumentos
de espetrometria de massa.
Mas como pode haver 10 moléculas
exatamente com a mesma massa,
não sabemos exatamente quais são,
e se quisermos identificar todas,
temos de fazer experiências
que podem durar décadas
e custar milhares de milhões de dólares.
Então desenvolvemos uma plataforma
de inteligência artificial, para isso.
Aproveitámos o crescimento
dos dados biológicos
e criámos uma base de dados com
todas as informações dos metabólitos
e as suas interações com outras moléculas.
Reunimos todos esses dados
numa megarede.
Depois, a partir de tecidos
ou do sangue dos pacientes,
medimos a massa dos metabólitos
e descobrimos as massas
que são alteradas na doença.
Mas como disse antes,
não sabemos exatamente quais são.
Uma massa molecular de 180 pode ser
glucose, galactose ou frutose.
Todas elas têm a mesma massa.
mas diferentes funções
no nosso organismo.
O nosso algoritmo de IA
considerou todas essas ambiguidades.
Depois procurou padrões nessa megarede
para descobrir como essas massas
metabólicas se ligam umas às outras
para causarem doenças.
Ao saber como estão ligadas,
podemos deduzir qual
é a massa do metabólito
— como esse 180 aqui
poderá ser glucose —
e mais importante, descobrir
como as alterações na glucose
e noutros metabólitos
conduzem a uma doença.
Esta nova compreensão
dos mecanismos das doenças
vai-nos permitir explorar
terapias eficazes para as tratar.
Então formámos uma "startup"
para levar esta tecnologia para o mercado
e causar impacto na vida das pessoas.
Eu e a minha equipa na ReviveMed
estamos a trabalhar para descobrir
terapias para as principais doenças
da responsabilidade de metabólitos,
como a doença hepática gordurosa,
pois é causada pela acumulação de gorduras
que são tipos de metabólitos no fígado.
Como já disse, é uma grande
epidemia sem tratamento.
A doença hepática gordurosa
é apenas um exemplo.
No futuro, iremos combater
centenas de outras doenças
sem tratamento.
Ao reunir cada vez mais dados
sobre metabólitos
e compreender como as alterações
nos metabólitos
causam as doenças,
os nossos algoritmos ficam
cada vez mais inteligentes
para descobrir as terapias certas
para os pacientes certos.
E vamos conseguir aproximar-nos
da nossa visão
de salvar vidas com cada
linha de código.
Obrigada.
(Aplausos)
Em 2003,
quando sequenciamos o genoma humano,
pensamos que teríamos a resposta
para tratar muitas doenças.
Mas a realidade está bem longe,
porque, além de nossos genes,
nosso ambiente e estilo de vida
podem ter um papel significativo
no desenvolvimento
de muitas doenças importantes.
Um exemplo é a esteatose hepática,
que afeta mais de 20%
da população mundial,
não tem tratamento
e leva ao câncer hepático
ou à insuficiência hepática.
O sequenciamento do DNA por si só
não nos fornece informações suficientes
para encontrar terapias eficazes.
Pelo lado positivo, há muitas
outras moléculas em nosso corpo.
De fato, há mais de 100 mil metabólitos.
Metabólitos são quaisquer moléculas
superpequenas em tamanho.
Exemplos conhecidos são glicose,
frutose, gorduras, colesterol,
coisas que ouvimos o tempo todo.
Metabólitos estão envolvidos
em nosso metabolismo.
Também estão em regiões do DNA
e carregam informações de nossos genes
e também de nosso estilo de vida.
Compreender os metabólitos
é fundamental para descobrir
tratamentos para muitas doenças.
Sempre quis tratar pacientes.
Apesar disso, há 15 anos,
deixei a faculdade de medicina
pois eu sentia falta da matemática.
Logo depois, descobri algo incrível:
posso usar a matemática
para estudar medicina.
Desde então, venho desenvolvendo
algoritmos para analisar dados biológicos.
Parecia fácil:
vamos coletar dados de todos
os metabólitos de nosso corpo,
desenvolver modelos matemáticos
para descrever como eles mudam
com certas doenças
e intervir nessas mudanças para tratá-las.
Foi aí que percebi por que
ninguém havia feito isso antes:
é extremamente difícil.
(Risos)
Existem muitos metabólitos em nosso corpo.
Cada um é diferente do outro.
Para alguns metabólitos,
podemos medir a massa molecular
com instrumentos
de espectrometria de massa.
Mas, como pode haver dez moléculas
com a mesma massa,
não sabemos exatamente o que são
e, se quisermos identificar
todas claramente,
teremos que fazer mais experimentos,
o que pode levar décadas
e custar bilhões de dólares.
Desenvolvemos uma plataforma
de inteligência artificial, ou IA,
para fazer isso.
Aproveitamos o crescimento
de dados biológicos
e construímos um banco de dados
de qualquer informação
existente sobre metabólitos
e suas interações com outras moléculas.
Reunimos todos esses dados
em uma megarrede.
E a partir de tecidos
ou sangue de pacientes,
medimos massas de metabólitos
e encontramos as massas
que variam em uma doença.
Mas, como mencionei antes,
não sabemos exatamente o que são.
Uma massa molecular de 180
poderia ser glicose, galactose ou frutose.
Todas têm exatamente a mesma massa,
mas funções diferentes em nosso corpo.
Nosso algoritmo de IA
considerou todas essas ambiguidades
e explorou essa megarrede para descobrir
as interconexões dessas massas metabólicas
que resultam em doenças.
Pela maneira como estão conectadas,
conseguimos deduzir
a massa de cada metabólito -
como, neste exemplo,
180 poderia ser glicose -
e, mais importante, descobrir
como mudanças na glicose
e em outros metabólitos
levam a uma doença.
Essa nova compreensão
dos mecanismos das doenças
nos permite descobrir terapias
eficazes para o tratamento.
Assim criamos uma "startup"
para levar essa tecnologia ao mercado
e impactar a vida das pessoas.
Agora, minha equipe e eu da ReviveMed
estamos trabalhando para descobrir
terapias para doenças importantes
causadas por metabólitos,
como a esteatose hepática,
pois é causada pelo acúmulo de gorduras,
que são tipos de metabólitos no fígado.
Como mencionei antes,
é uma epidemia enorme
que não tem tratamento.
E a esteatose hepática é só um exemplo.
No futuro, lidaremos
com centenas de outras doenças
que não têm tratamento.
Ao coletar cada vez mais dados
sobre metabólitos
e entender como as mudanças
nos metabólitos
levam ao desenvolvimento de doenças,
nossos algoritmos ficarão
cada vez mais inteligentes
para descobrir as terapias certas
para os pacientes certos.
E ficaremos mais próximos
de alcançar nossa visão
de salvar vidas com cada linha de código.
Obrigada.
(Aplausos)
În 2003,
când am secvențiat genomul uman,
am crezut că am găsit o soluție
pentru tratarea multor boli.
Dar, suntem departe de realitate,
pentru că în afară de genele noastre,
mediul și stilul nostru de viață
ar putea avea un rol important
în dezvoltarea multor boli importante.
Un bun exemplu este boala ficatului gras
care afectează peste 20 la sută
din populație la nivel global,
și nu se vindecă, cauzând cancer hepatic
sau insuficiență hepatică.
Deci, doar secvențierea ADN-ului
nu ne dă informații suficiente
pentru a găsi soluții
terapeutice eficiente.
Pe de altă parte, există multe alte
molecule în corpul nostru.
De fapt, avem peste 100.000 de metaboliți.
Metaboliții sunt toate moleculele
de dimensiuni foarte mici.
Exemplele cele mai cunoscute sunt glucoza,
fructoza, grăsimea, colesterolul,
lucruri despre care se vorbește mereu.
Metaboliții sunt implicați
în metabolismul nostru.
Aceștia sunt și succesorii ADN-ului,
deci, transportă informații despre gene,
cât și despre stilul de viață.
Cunoașterea metaboliților este esențială
pentru tratamentul multor boli.
Dintotdeauna mi-am dorit
să vindec pacienți.
În ciuda acestui fapt, acum 15 ani
am abandonat medicina
pentru că am căzut la matematică.
Imediat după aceea, am descoperit
un lucru foarte interesant:
că pot folosi matematica
ca să studiez medicina.
De atunci, elaborez algoritmi
pentru a analiza datele biologice.
Deci, părea ușor:
hai să culegem date despre toți
metaboliții din corpul nostru,
să creăm modele matematice ca să descriem
modificările lor în timpul unei boli
și să intervenim pe aceste schimbări
pentru a le trata.
Atunci, mi-am dat seama de ce nimeni
nu a făcut așa ceva înainte:
este foarte dificil.
(Râsete)
Avem mulți metaboliți în corp.
Sunt diferiți unul de celălalt.
Anumitor metaboliți le putem măsura
masa moleculară
folosind instrumente
de spectometrie de masă.
Dar, fiindcă am putea găsi
10 molecule cu aceeași masă,
nu știm exact ce sunt
și dacă vrei să le identifici
în mod sigur,
trebuie să faci alte experimente,
care ar putea dura decenii
și costa miliarde de dolari.
Astfel, am creat o platformă
de inteligență artificială, sau IA,
pentru realizarea acestuia.
Ne-am folosit de dezvoltarea
datelor biologice
și am construit o bază de date
cu toate informațiile existente
despre metaboliți
și interacțiunile lor
cu ceilalți metaboliți.
Am adunat toate aceste date
într-o mega rețea.
După aceea, din țesutul sau din sângele
pacienților,
măsurăm masa metaboliților
și căutăm masele
care se schimbă în timpul unei boli.
Dar, cum spuneam mai devreme,
nu știm exact ce sunt.
O masă moleculară de 180 ar putea fi
glucoză, galactoză sau fructoză.
Toate acestea au exact aceeași masă,
dar funcții diferite în corpul nostru.
Algoritmul nostru IA a calculat
toate aceste ambiguități.
S-a folosit această mega rețea
pentru a descoperi cum relaționează
între ele aceste mase metabolice,
cauzând o boală.
Iar după modul în care
acestea se intrepătrund,
reușim să deducem
care este masa fiecărui metabolit,
cum ar fi cea de 180 a glucozei de față,
și, cel mai important, să descoperim
cum schimbările în glucoză
și în alți metaboliți
conduc spre boală.
Această nouă perspectivă
despre mecanismele bolii
ne permite să descoperim noi
terapii eficace în acest scop.
Deci, am înființat o nouă companie
pentru a aduce această tehnologie pe piață
și pentru a schimba viața oamenilor.
Eu și echipa mea de la Revive Med
lucrăm pentru a descoperi
terapii pentru boli importante
unde metaboliții
sunt factorul determinant,
cum e boala ficatului gras,
pentru că este cauzată
de acumularea grăsimilor,
care fac parte din categoria
metaboliților din ficat.
Cum am menționat mai înainte,
această boală e foarte răspândită
și nu are tratament.
Și boala ficatului gras
este numai un exemplu.
În viitor vom combate sute de alte boli
ce nu au în prezent tratament.
Și adunând tot mai multe date
despre metaboliți
și înțelegând
cum schimbările metaboliților
conduc la dezvoltarea bolilor,
algoritmii noștri vor deveni
tot mai inteligenți
și vor descoperi terapiile potrivite
pentru pacienții potriviți.
Și ne vom apropia tot mai mult
de realizarea dorinței noastre
de a salva vieți cu fiecare linie de cod.
Vă mulțumesc!
(Aplauze)
В 2003 году,
когда было выполнено
секвенирование генома человека,
все думали, что это поможет найти
способы лечения многих заболеваний.
Но на самом деле всё далеко не так,
потому что не только наши гены,
но и окружающая среда и наш образ
жизни значительно влияют
на развитие многих серьёзных заболеваний.
Один из примеров — стеатоз печени,
которым страдает более 20 процентов
населения земного шара.
Он неизлечим и прогрессирует,
приводя к раку печени
или печёночной недостаточности.
Поэтому секвенирование ДНК само по себе
не даёт нам достаточно информации,
чтобы найти эффективный курс лечения.
С другой стороны, в нашем организме
много других молекул.
В нём более 100 000 метаболитов.
Метаболиты — это очень мелкие молекулы.
Хорошо знакомые нам метаболиты —
это глюкоза, фруктоза, жиры, холестерин;
мы слышим о них постоянно.
Метаболиты участвуют
в процессе обмена веществ.
Кроме этого, они находятся
по нисходящей от ДНК,
то есть несут информацию как о генах,
так и о нашем образе жизни.
Метаболиты критически важны для нахождения
способов лечения многих заболеваний.
Я всегда хотела лечить людей.
Но несмотря на это, 15 лет назад
я бросила медицинский университет,
потому что мне не хватало математики.
Вскоре после этого я с удивлением узнала,
что могу использовать математику
для изучения медицины.
С тех пор я разрабатываю алгоритмы
анализа биологических данных.
Казалось бы, это так просто:
нужно просто собрать данные
всех метаболитов в организме,
разработать математические модели,
описывающие их изменения при болезни,
и противостоять этим изменениям
в ходе лечения.
А потом я поняла, почему
никто не сделал этого до нас.
Это очень сложно.
(Смех)
В нашем организме очень много метаболитов.
И все они очень разные.
Молекулярную массу некоторых
метаболитов можно измерить
с помощью масс-спектрометрических
инструментов.
Но так как возможно такое, что у нас
будет 10 молекул с одинаковой массой,
мы не будем знать,
какие именно это молекулы.
И если мы хотим точно опознать их,
нужны дополнительные эксперименты,
на которые могут уйти десятилетия
и миллиарды долларов.
Поэтому мы разработали для этого
искусственный интеллект, или ИИ.
Мы воспользовались ростом
биологических данных
и создали базу данных всей существующей
информации о метаболитах
и их взаимодействиях с другими молекулами.
Мы объединили все эти
данные, создав мегасеть.
Теперь, используя ткани и кровь пациентов,
мы измеряем массу метаболитов
и находим те, которые изменяются
в ходе заболевания.
Но, как я уже говорила, мы не знаем,
какие именно это метаболиты.
Глюкоза, галактоза и фруктоза имеют
молекулярную массу 180.
У них совершенно одинаковая масса,
но они выполняют разные
функции в организме.
Наш алгоритм ИИ учёл
все эти неопределённости.
Затем он прошёл по этой мегасети
в поисках таких связей масс
метаболитов друг с другом,
которые вызывают заболевание.
То, как они связаны,
позволяет нам определить
массу каждого метаболита,
например, здесь 180 — это глюкоза,
и, что особенно важно, понять,
как изменения глюкозы и других метаболитов
приводят к заболеваниям.
Это новое понимание
механизмов заболеваний
позволяет нам находить
эффективные способы лечения.
Мы создали стартап, чтобы вывести
эту технологию на рынок
и помогать людям.
Я и моя команда в ReviveMed работаем
над поиском способов лечения заболеваний,
для которых метаболиты
являются ключевыми факторами,
например, стеатоза печени.
Он вызван накоплением в печени жиров,
которые представляют собой
один из видов метаболитов.
Как я уже говорила, это серьёзная
эпидемия, и заболевание неизлечимо.
И стеатоз печени — это лишь один пример.
В дальнейшем мы планируем работать
с сотнями других заболеваний,
для которых пока нет лекарств.
Собирая всё больше данных о метаболитах
и анализируя, как изменения в них
приводят к заболеваниям,
наши алгоритмы будут становиться умнее
и помогут нам находить курсы лечения
для конкретных пациентов.
Мы приблизимся к нашей цели
спасения человеческих жизней
с помощью каждой строки кода.
Спасибо.
(Аплодисменты)
2003 yılında,
insan genomunu düzenlediğimizde
birçok hastalığın tedavisini
bulacağımızı düşünmüştük.
Fakat gerçekler bundan daha farklı
çünkü genlerimizin yanı sıra
ciddi hastalıklara yakalanmamızda
çevrenin ve yaşam biçiminin de
büyük rolü var.
Bunun bir örneği
yağlı karaciğer hastalığı,
bütün dünyanın %20'sini
etkileyen bir hastalık,
hiçbir tedavisi yok ve karaciğer kanserine
veya karaciğer yetmezliğine yol açıyor.
Yani DNA dizisi bize
etkili tedavi bulmak için
yeterli bilgi vermez.
Olumlu yönden bakarsak vücudumuzda
birçok diğer molekül bulunmakta.
Hatta 100.000'den fazla metabolit mevcut.
Metabolitler, çok küçük moleküllerdir.
Bilinen örnekleri glikoz,
fruktoz, yağlar, kolesterol.
Her zaman duyduğumuz şeyler.
Metabolitlerin
metabolizmada işlevleri var.
Ayrıca DNA'nın birer parçası,
yani hem genlerimiz hem de
yaşam tarzımız ile ilgili bilgi taşırlar.
Metabolitleri anlamak, birçok hastalığa
tedavi bulmak için önemli.
Her zaman hastaları
tedavi etmek istemiştim.
Buna rağmen 15 yıl önce
tıp okulundan ayrıldım
çünkü matematiği özlemiştim.
Kısa bir süre sonra
çok güzel bir şey öğrendim.
Tıp alanında çalışmak için
matematik kullanabilirdim.
O zamandan beri biyolojik veri
analizi için algoritmalar geliştiriyorum.
Sözde kulağa kolay geliyor:
Hadi bütün vücudumuzdaki
metabolitlerden bilgi toplayalım,
bir hastalıkta nasıl değiştiklerini
açıklayan matematiksel modeller yapalım
ve bu değişikliklere engel olarak
hastalığı tedavi edelim.
Sonra neden bunu daha önce
kimsenin denemediğini anladım,
bu aşırı derecede zor bir iş.
(Gülüşmeler)
Vücudumuzda çok fazla metabolit var.
Her biri birbirinden farklı.
Bazı metabolitlerin kütlesini,
kütle spektrometresi aletleri
kullanarak hesaplayabiliyoruz.
Ama aynı kütleye sahip olan diyelim ki
10 tane molekül olabileceği için
tam olarak ne olduklarını bilmiyoruz
ve eğer hepsini tek tek
ayırt etmek istiyorsak
daha çok deneyler yapmamız gerekir,
bu da onlarca yıla
ve milyarlarca dolara mal olur.
Biz de bunu yapması için bir yapay zekâ
ya da AI platformu geliştirdik.
Biyolojik verinin büyümesine
katkıda bulunduk,
metabolitlerle ve onların diğer
moleküllerle tepkimelerini kapsayan
her bilgiyle bir veri tabanı oluşturduk.
Bu verinin hepsini bir mega ağda topladık.
Sonrasında dokudan
veya hastalarımızın kanından,
metabolitlerin kütlelerini hesapladık
ve bir hastalıkta
değişen kütleleri bulduk.
Ama önceden de belirttiğim gibi
tam olarak ne olduklarını bilmiyoruz.
Moleküler kütlesi 180 ise
glukoz, galaktoz veya fruktoz olabilir.
Hepsinin kütlesi aynı
fakat işlevi farklı.
Bizim yapay zekâ algoritmamız
bu belirsizlikleri göze alıyor.
Sonra da mega ağın derinliklerine inip
hastalığa sebep olan metabolik kütlelerin
birbirlerine bağlantısını buluyor.
Ve bağlanma şekillerinden yola çıkarak
her metabolitin kütlesini bulabiliyoruz,
mesela buradaki 180 glukoz olabilir
ve daha da önemlisi glukoz
ve diğer metabolitlerdeki değişimlerin
nasıl hastalıklara
yol açtığını keşfediyoruz.
Hastalık mekanizmasına olan
yeni anlayışımız da
onu hedef alan tedaviler
geliştirmemize olanak sağlıyor.
Biz de bu teknolojiyi markete sunmak
ve insanların hayatlarını etkilemek
amacıyla bir şirket oluşturduk.
Şimdi benim takımım ve ben,
ReviveMed'te metabolitlerin
ana sorun olduğu hastalıklara
tedavi bulmak için çalışıyoruz,
mesela yağlı karaciğer hastalığı gibi
çünkü bu hastalık, karaciğerdeki
metabolit tipleri olan
yağların birikmesi ile ortaya çıkar.
Daha önce de bahsettiğim gibi bu,
tedavisi olmayan çok yaygın bir hastalık.
Ve yağlı karaciğer hastalığı
sadece bir örnek.
İleride, tedavisi olmayan
birçok hastalığı ele alacağız.
Ve metabolitler hakkında
daha çok veri topladıkça
ve metabolitlerdeki değişimin
nasıl hastalığa dönüştüğünü anladıkça
algoritmamız daha da zeki olacak
ve doğru hastalar için
doğru tedavileri keşfedecek.
Ve yazdığımız her bir satır kod ile
hayat kurtarma amacımıza
daha çok yaklaşmış olacağız.
Teşekkür ederim.
(Alkışlar)
У 2003 році,
коли здійснили секвенування генома людини,
ми думали, що це допоможе знайти
методи лікування багатьох захворювань.
Насправді, все далеко не так,
тому що окрім наших генів,
довкілля і спосіб життя значно впливають
на розвиток багатьох
серйозних захворювань.
Один із прикладів - стеатоз печінки,
яким хворіють більше 20% населення Землі.
Він не лікується і спричиняє рак печінки
чи печінкову недостатність.
Одне тільки секвенування ДНК
не дає нам достатньо інформації,
щоб знайти ефективний курс лікування.
Однак, в нашому організмі
є багато інших молекул.
В ньому є більше 100 000 метаболітів.
Метаболіти - це дуже дрібні молекули.
Добре знайомі нам метаболіти - це
глюкоза, фруктоза, жири, холестерин;
ми чуємо про них постійно.
Метаболіти беруть участь в обміні речовин.
Вони знаходяться по нисхідніій від ДНК,
тому містять дані як про гени,
так і про спосіб життя.
Метаболіти мають важливе значення у
пошуках методів лікування багатьох хвороб.
Я завжди хотіла лікувати людей.
Незважаючи на це, 15 років тому
я покинула медичний університет,
тому що мені бракувало математики.
Незабаром, несподівано для себе,
я дізналася,
що можу застосовувати математику
для вивчення медицини.
Відтоді я розробляю алгоритми
аналізу біологічних даних.
Здавалося б, це так легко:
потрібно зібрати інформацію
про всі метаболіти в організмі,
створити математичні моделі,
що описують їх зміни під час хвороби
і протистояти цим змінам
в процесі лікування.
Потім я зрозуміла,
чому цього не зробили раніше:
це надзвичайно важко.
(Сміх)
В нашому організмі є багато метаболітів.
Всі вони дуже різні.
Молекулярну масу деяких можна виміряти
за допомогою
мас-спектометричних інструментів.
Проте, оскільки є ймовірність отримати
10 молекул з однаковою масою,
ми не знатимемо, що це за молекули.
І якщо ми хочемо точно ідентифікувати їх,
знадобляться додаткові експерименти,
що потребуватимуть десятиліть
і мільйонів доларів.
Тому ми створили для цього
штучний інтелект або ШІ.
Ми скористалися ростом біологічних даних
і розробили базу даних всієї існуючої
інформації про метаболіти
і їх взаємозв’язок з іншими молекулами.
Ми об’єднали всі ці дані в мегамережу.
Тепер, використовуючи тканини
і кров пацієнта,
ми вимірюємо масу метаболітів
і знаходимо ті, що змінюються
під час хвороби.
Але, як я казала раніше, ми не знаємо ,
якими саме є ці метаболіти.
Глюкоза, галактоза і фруктоза
мають молекулярну масу 180.
В них абсолютно однакова молекулярна маса,
але вони виконують
різні функції в тілі.
Наш ШІ врахував всі ці неточності.
Потім він пройшов цією мегамережею
в пошуках зв’язаних між собою
мас метаболітів,
що викликають захворювання.
Те, як вони зв’язані,
допомагає нам визначити
масу кожного метаболіта,
наприклад, тут 180 -
це могла б бути глюкоза,
і, що важливо, зрозуміти,
як зміни глюкози та інших метаболітів
призводять до захворювань.
Це нове розуміння механізмів хвороб
дозволяє знаходити ефективні
способи лікування.
Ми створили стартап, щоб вивести
цю технологію на ринок
і допомагати людям.
Ми з моєю командою в ReviveMed
працюємо над пошуком
методів лікування хвороб, для яких
метаболіти - це ключові фактори,
наприклад, стеатозу печінки.
Він викликаний накопиченням
в печінці жирів,
які являють собою один
із видів метаболітів.
Як я вже казала, це серйозна
невиліковна епідемія.
І стеатоз печінки - лише один приклад.
Надалі ми плануємо працювати
з сотнями інших хвороб,
від яких поки немає ліків.
Збираючи більше даних про метаболіти
і аналізуючи, як зміни в них
призводять до захворювань,
наші алгоритми ставатимуть
все більше розвиненими
і допоможуть знаходити курси лікування
для конкретних пацієнтів.
Ми наблизимося до нашої мети -
врятувати життя людей за
допомогою кожної лінії коду.
Дякую!
(Оплески)
2003 میں
جب ہم نے انسانی جینوم کو مربوط کیا۔
ہم نے سوچا کہ ہمارے پاس بہت ساری
بیماریوں کے علاج کا حل ہے۔
مگر حقیقت کچھ اور ہی ہے،
کیونکہ ہمارے جينوں کے علاوہ،
ہمارا ماحول اور طرز زندگی بھی
ایک اہم رول ادا کرتے ہیں
بہت ساری خطرناک بیماریوں کو بڑھانے میں۔
ایک مثال جگر کا چربی دار ہونے کی
بیماری ہے۔
جو عالمی طور پر 20 فیصد آبادی کو
متاثر کر رہی ہے۔
اسکا کوئی علاج نہیں ہے اور یہ
جگر کے کینسر کا سبب بنتی ہے۔
یا جگر کی خرابی کا۔
لہذا صرف ڈی این اے کو ہی مربوط کرنے سے
ہمیں زیادہ معلومات نہیں ملتیں
متاثر کن علاج پانے کے لیے.
دوسری جانب ہمارے جسم میں
بہت سارے سالمے ہیں۔
حقیقت میں 1000000 سے زائد
متحول مادے ہوتے ہیں،
متحول مادے وہ سالمے ہیں جو حجم میں
انتہائی چھوٹے ہوتے ہیں۔
گلوکوز، پھلوں کی شکر، چربی، کولیسٹرول
اسکی معروف مثالیں ہیں۔۔۔
ان کے بارے میں ہم ہمیشہ سنتے رہتے ہیں۔
متحول مادے ہمارے غذائی تحول
میں شامل ہوتے ہیں۔
اور مزید وہ ڈی این اے میں حرکت کرتے ہیں،
لہذا وہ معلومات اکٹھا کرتے ہیں ہمارے جین
اور اسی طرح طرز زندگی سے۔
متحول مادے کو سمجھنا ضروری ہے
بہت سی بیماریوں کا علاج پانے کے لیے۔
میں نے ہمیشہ مریضوں کا علاج کرنا چاہا ہے۔
اسکے باوجود ،15 سال پہلے،
میں نے طبی اسکول چھوڑ دیا،
کیونکہ مجھے ریاضی کی ياد كر ستاتی تھی۔
اسکے فورا بعد میں نے انتہائی شاندار چیز
دریافت کی:
میں طب پڑھنے میں ریاضی کو
استعمال کر سکتی ہوں۔
تب سے میں الگورتھم كو ترقی دے رہی ہوں
حياتياتی معلومات کا تجزیہ کرنے کے لیے۔
یہ آسان معلوم ہوتا ہے۔
چلو اپنے جسم کے تمام متحول مادے سے
معلومات اکٹھا کرتے ہیں۔
ریاضی کے نمونے بناتے ہیں یہ بتانے کے لیے
کہ وہ کیسے بیماری میں تبدیل ہوجاتے ہیں
اور ان تبدیلیوں میں دخل دیتے ہیں
انکا علاج کرنے کے لیے۔
تب میں نے محسوس کیا کہ کیوں
اس سے پہلے کسی نے ایسا نہیں کیا۔
یہ انتہائی مشکل ہے۔
( قہقہے)
ہمارے جسم میں بہت سے متحول مادے ہیں۔
ہر ایک دوسرے سے مختلف ہے۔
كچھ متحول مادے کے سالمی مجموعے کو
ہم ناپ سکتے ہیں۔
طيف پیما آلات کا استعمال کر کے۔
مگر ممکن ہے کہ 10 اجزاء ایک ہی
کمیت کے ہوں گے۔
ہم نہیں جانتے کہ حقیقتاً وہ کیا ہیں۔
اور اگر آپ واضح طور پر
انکی شناخت کرنا چاہتے ہیں۔
تو آپکو مزيد تجربہ کرنا ہوگا
جس میں صدیاں لگ سکتی ہیں
اور اربوں ڈالر۔
لہذا ہم نے اس کام کو انجام دینے کے لیے
ایک مصنوعی و ذکاوتی پلیٹ فارم بنایا
ہم نے حیاتیاتی معلومات کی ترقی
کا استعمال کیا۔
اور متحول مادے کے بارے میں ہر موجود
معلومات کا ایک معلوماتی ڈھانچہ بنایا
اور ہر سالمے کا دوسرے سے باہمی تعامل کا۔
ہم نے ہر معلومات کو دوسرے سے
ایک عظیم الشان نیٹورک کی طرح جوڑا۔
پھر خليوں یا مریضوں کے خون سے،
ہم نے متحول مادے کے مجموعے کا ناپا
اور مجموعوں کو پایا کہ وہ ایک بیماری
میں تبدیل ہوگئے ہیں۔
مگر جیسا کہ میں نے پہلے ذکر کیا ہے کہ
ہم نہیں جانتے کہ حقیقتاً وہ کیا ہیں۔
180 کے مجموعے کا ایک سالمی یا تو گلوکوز،
گلیکٹوز یا فرکٹوز ہو سکتا ہے۔
ان تمام کی تعداد ایک ہی ہے۔
مگر انکا عمل ہمارے جسم میں مختلف ہوتا ہے۔
ہمارے الگورتھم نے ان تمام ابہامات پر
غور کیا.
اور پھر اس عظیم الشان نیٹورک کی تلاش کی
یہ جاننے کے لیے کہ ان متحول مادوں کے
مجموعے کس طرح ایک دوسرے سے جڑے ہوئے ہیں۔
جس سے بیماری پیدا ہوتی ہے۔
اور انکے ایک دوسرے سے جڑنے کی وجہ سے
ہم استنباط کرنے کے لائق ہیں کہ
ہر متحول مادہ کی ماہیت کیا ہے،
اسی طرح سے 180 یہاں گلوکوز ہوسکتا ہے۔
اور زیادہ اہم طور پر یہ انکشاف کرنے کے لیے
کہ کیسے گلوکوز اور دوسرے
متحول مادوں میں تبدیلیاں
بیماری کا سبب بنتی ہیں۔
بیماری کی میکانکیوں کا یہ جدید فہم
ہمیں متاثر کن علاج کے اکتشاف کے
لائق بناتا ہے اس غرض کے لیے۔
پہر ہم نے ایک نئی کمپنی کو تشکیل دیا
ان ٹیکنالوجی کو مارکٹ میں لانے کے لیے۔
اور لوگوں کی زندگیوں پر اثر ڈالنے کے لیے۔
اب میں اور میری ٹیم کام کر رہی ہے
اکتشاف کرنے کے لیے
ان اہم بیماریوں کے علاج کا
جن میں متحول مادے کا اہم کردار ہے
جیسے جگر کا چربی دار ہونے کی بیماری،
کیونکہ یہ چربی کے جمع ہونے
کی وجہ سے ہوا ہے،
جو کہ جگر میں موجود
متحول مادے کی اقسام ہیں۔
جیسا کہ میں نے پہلے ہی ذکر کیا ہے،
یہ ایک بڑی لاعلاج وبائی بیماریی ہے ۔
اور جگر کے چربی دار ہونے
کی بیماری صرف ایک مثال ہے۔
اب ہم آگے بڑھتے ہیں، ہم اس طرح کی دوسری
سینکڑوں بیماریوں کا سامنا کرنے جا رہے ہیں
بنا کسی علاج کے۔
اور متحول مادوں کے بارے میں
زیادہ سے زیادہ معلومات جمع کرکے
اور سمجھ کر کہ کیسے
متحول مادوں میں تبدیلیاں
بیماریوں کے بڑھنے کا سبب بنتی ہیں،
ہمارا الگورتھم اور زیادہ تیز ہوجائے گا
مریضوں کے لیے صحیح علاج کو ڈھونڈنے کے لیے۔
اور ہم اپنے مقصد کے حصول کے
اور قریب ہو جائیں گے
اور وہ ہے زندگیاں بچانا
کوڈ کی ہر لائن کے اضافے کے ساتھ۔
(شکریہ)
(تالیاں)
Vào năm 2003,
khi giải mã trình tự bộ gen người,
chúng ta đã nghĩ rằng
sẽ có câu trả lời cho việc điều trị bệnh.
Nhưng thực tế thì khác xa,
bởi ngoài gen,
môi trường và lối sống của chúng ta
đóng một vai trò quan trọng
trong việc gia tăng nguy cơ
mắc nhiều loại bệnh nặng.
Lấy bệnh gan nhiễm mỡ làm ví dụ,
căn bệnh ảnh hưởng
hơn 20% dân số trên toàn cầu,
hiện chưa có cách điều trị,
và có thể dẫn đến ung thư gan
hoặc suy gan.
Thế nên, giải trình tự DNA thôi
chưa đủ để giúp chúng ta
tìm ra phương pháp điều trị hiệu quả.
Về mặt tích cực, còn có rất nhiều
phân tử khác trong cơ thể chúng ta.
Thực tế, có hơn 100.000
chất chuyển hoá.
Chất chuyển hoá là mọi phân tử
có kích thước siêu nhỏ.
Các ví dụ thường được biết đến như
glucose, fructose, chất béo, cholesterol--
những thứ mà ta rất hay nghe.
Chất chuyển hoá này tham gia
vào các quá trình trao đổi chất.
Cũng là sản phẩm của DNA
nên chúng mang thông tin từ cả
gen cũng như lối sống của ta.
Hiểu rõ chất chuyển hoá là điều kiện cần
để tìm ra phương pháp điều trị bệnh.
Tôi luôn mong muốn
điều trị cho bệnh nhân.
Tuy vậy, 15 năm trước,
tôi đã rời ghế trường y,
vì quá nhớ toán học.
Ngay sau đó, tôi đã phát hiện ra
điều tuyệt vời nhất:
Tôi có thể ứng dụng toán học để học y.
Kể từ đó, tôi đã phát triển các thuật toán
để phân tích dữ liệu sinh học.
Nghe thì có vẻ dễ dàng:
hãy thu thập dữ liệu
từ tất cả chất chuyển hoá trong cơ thể ta,
phát triển các mô hình toán học để mô tả
sự thay đổi của chúng khi có bệnh
và can thiệp vào những thay đổi đó
để điều trị bệnh.
Sau đó, tôi nhận ra rằng
tại sao không ai làm điều này trước đây:
vì nó cực kỳ khó.
(Tiếng cười)
Có rất nhiều chất chuyển hoá
trong cơ thể chúng ta.
Chất này khác chất kia.
Với một vài chất chuyển hoá,
ta có thể đo được khối lượng phân tử
bằng cách dùng dụng cụ đo phổ.
Nhưng vì có thể có 10 phân tử
có khối lượng phân tử hoàn toàn bằng nhau,
nên không thể biết chính xác đó là gì,
và nếu muốn nhận dạng chúng
một cách rõ ràng,
bạn phải thực hiện nhiều thí nghiệm hơn,
có thể mất hàng thập kỷ
và hàng tỷ đô la.
Vì vậy, chúng tôi đã phát triển nền tảng
trí tuệ nhân tạo, AI, để làm việc đấy.
Chúng tôi đã tận dụng sự lớn mạnh
của dữ liệu sinh học
và xây dựng cơ sở dữ liệu về bất kì
thông tin nào hiện có của chất chuyển hoá
và sự tương tác của chúng
với các phân tử khác.
Chúng tôi tổng hợp tất cả dữ liệu này
dưới dạng mạng lưới meganetwork
Sau đó, từ các mô hoặc máu của bệnh nhân,
chúng tôi đo khối lượng
của các chất chuyển hoá
và tìm ra khối lượng bị thay đổi
khi mắc bệnh.
Nhưng, như đã đề cập trước đó,
ta không thể biết được đó là gì.
Khối lượng phân tử bằng 180 có thể là
hoặc glucose, glactose, hoặc fructose.
Chúng đều có khối lượng
hoàn toàn bằng nhau.
nhưng khác nhau
về chức năng trong cơ thể.
Thuật toán AI của chúng tôi
đã xem xét đến các sự nhập nhằng này.
Sau đó, khai thác mạng lưới meganetwork
để tìm ra
các khối chất chuyển hoá này
liên kết thế nào với nhau
mà có thể gây bệnh.
Từ cách chúng liên kết với nhau,
ta có thể suy ra khối lượng
mỗi chất chuyển hoá,
như ở đây 180 có thể là glucose,
và quan trọng hơn cả là tìm ra
glucose và các chất chuyển hoá khác
thay đổi như thế nào
mà có thể dẫn đến bệnh.
Hiểu biết mới về
các cơ chế bệnh tật
cho phép chúng tôi tìm ra phương pháp
điều trị hiệu quả trúng mục tiêu.
Vì vậy, chúng tôi đã thành lập
công ty khởi nghiệp
để mang công nghệ này ra thị trường
và tác động đến cuộc sống mọi người.
Hiện tại, tôi cùng đội ngũ của mình
tại ReviveMed đang nỗ lực để tìm ra
phương pháp điều trị cho nhiều bệnh nặng
mà chất chuyển hoá là tác nhân chính,
như gan nhiễm mỡ,
vì nguyên nhân chính
là sự tích tụ chất béo,
là loại chất được chuyển hoá tại gan.
Như đã đề cập trước đó, nó là
một đại dịch chưa có cách trị.
Và bệnh gan nhiễm mỡ chỉ là một ví dụ.
Xa hơn nữa, chúng tôi sẽ giải quyết
hàng trăm bệnh khác
cho có cách chữa.
Và bằng cách thu thập ngày càng nhiều
dữ liệu về chất chuyển hoá
và hiểu được sự thay đổi của chúng
ảnh hưởng thế nào
đến sự phát triển bệnh,
thuật toán của chúng tôi
sẽ ngày càng thông minh hơn
để tìm ra phương pháp điều trị phù hợp
đúng với bệnh nhân.
Và chúng tôi sẽ tiến gần hơn
đến tầm nhìn
là cứu sống con người
qua từng dòng code.
Xin cảm ơn.
(Vỗ tay)
在 2003 年,
当我们测序人类基因组时,
我们以为会找到
治疗多种疾病的答案。
但是实际情况远非如此,
因为除了我们的基因,
我们的生存环境和生活方式
也可能导致多种重大疾病。
例如,影响全球
超过 20% 人口的脂肪肝,
没有任何有效的治疗方法,
而且最终可发展为肝癌
或肝衰竭。
因此,单纯的 DNA 测序
无法提供足够信息,
帮助我们寻找有效治疗方法。
好消息是,我们体内
还有许多其他分子。
实际上,有超过 10 万多种代谢物。
代谢物是体积很小的分子,
像我们常听说的:
葡萄糖、果糖、脂肪、胆固醇等。
代谢物参与我们的新陈代谢,
它们在 DNA 的下游,
因此,它们携带着来自基因
和我们生活方式的信息。
了解代谢物对寻找许多疾病的
治疗方法至关重要。
我一直想治病救人,
但尽管如此,在十五年前,
我因为喜欢数学
而离开了医学院。
不久之后,我发现了最酷的东西:
我可以使用数学来研究医学。
从那时起,我一直在开发
用于分析生物学数据的算法。
这听起来很简单:
我们先收集体内所有代谢物,
然后,开发数学模型
描述疾病中的代谢物变化,
并通过干预这些变化来进行治疗。
然后,我终于明白
以前为何没人做这件事了:
这真是太困难了。
(笑声)
我们体内有许多代谢产物,
种类繁多。
对于某些代谢物,我们可以使用
质谱仪来检测其分子量。
而质量完全相同的分子
可能有 10 种之多,
我们分不清谁是谁,
如果想识别所有这些分子,
则必须进行更多实验,
这可能需要几十年、
数十亿美元。
为了做这件事,我们开发了
人工智能(AI)平台,
我们利用生物数据的增长,
建立了一个数据库,
包含代谢物现有信息
及与其它分子的相互作用的数据。
我们将所有这些数据
组合成了一个大型网络,
然后,在患者的组织或血液中,
测量代谢物的质量,
并寻找因疾病
而产生变化的代谢物的质量。
但是,正如我之前提到的,
我们并不知道是什么代谢物。
分子量为 180 的代谢物
可以是葡萄糖、半乳糖或果糖,
在我们体内,它们的质量完全相同,
但功能不同。
我们的 AI 算法
考虑了所有这些可能。
然后,会挖掘那个巨型网络的数据,
以发现那些代谢物
如何相互关联而导致疾病。
根据它们的关联方式,
我们就能推断出
每个代谢物的质量,
如 180 分子量的
可能是葡萄糖,
更重要的是,
发现葡萄糖和其他代谢物的变化
如何导致疾病。
对疾病机制的这种新颖理解,
使我们能够发现
针对该疾病的有效疗法。
凭借该技术,我们成立了
一家初创公司,
将该技术推向市场,
进而影响人们的生活。
现在,我们的 ReviveMed 团队
正努力寻找主要代谢疾病的疗法,
例如脂肪肝,
因为它由脂肪堆积造成,
而脂肪是肝脏中的代谢物。
如前所述,这种大型流行病
尚无有效疗法。
脂肪肝只是其中一个例子,
展望未来,我们将研究其它几百种
尚无有效疗法的疾病。
通过收集更多代谢物的数据,
了解代谢物的变化
如何导致疾病发展,
我们的算法会逐步完善,
为某些患者找到合适的疗法。
而且,我们将更加接近我们的愿景:
用程序代码拯救生命。
谢谢。
(掌声)
在 2003 年,
當我們為人類的基因組定序時,
我們以為會找到許多疾病的治療方法。
但實際情形卻遠非如此,
因為除了我們的基因之外,
生活環境和生活作息
也是引發重大疾病的關鍵因素。
以脂肪肝疾病爲例,
全球超過 20% 的人口
受此疾病影響,
目前沒有任何治療方法
而且最後可發展為肝癌,
或是肝臟衰竭。
所以只靠基因定序
並不能給我們足夠的訊息,
找出有效的治療方法。
好消息是,我們身體裡
還有許多其他的分子,
事實上,我們身體
有超過十萬的代謝物。
代謝物是體積超級小的分子,
已知的例子包括,
葡萄糖、果糖、脂肪、膽固醇——
我們時常聽到的這些東西。
代謝物會參與新陳代謝活動,
它們也是 DNA 的後段,
所以它們帶著基因訊息
也透露出我們的生活作息。
要找出許多疾病的治療方法
就有必要瞭解代謝物,
我一直都想要醫治好病人,
但是十五年前,
因爲傾心於數學而離開了醫學院。
不久,我發現最酷的事情是:
我可以用數學來研究醫學,
從那時起,我就一直開發
演算法用來分析生物數據。
這聽起來很簡單:
我們收集身體中所有代謝物的數據,
然後開發數學模型來描述
它們在疾病中如何變化,
並且干預這些變化來進行治療。
然後,我明白為什麼之前
沒有人做過這件事了:
因為這實在太困難了。
(笑聲)
我們身體中有太多代謝物了,
每一個都不盡相同。
針對一些代謝物,
我們能夠用質譜儀
來測量它們的分子量。
但是具有完全相同的
分子量可能有十種之多,
所以無法知道它們確切是什麼東西,
假如要清楚辨識所有代謝物,
必須要做更多的實驗,
那有可能要花上數十年的時間,
還要耗費幾十億美元。
因此,我們開發了一種
人工智慧來做這事。
我們利用生物數據的增長,
然後建立一個資料庫
裡面有代謝物的相關訊息,
包含代謝物與其他分子
相互作用的訊息,
我們把所有數據組合成一個巨大網絡。
接著,從患者的器官組織或是血液中,
我們測量到代謝物的分子量,
並且尋找因疾病
而產生變化的代謝物質量。
但是,正如我稍早提過,
我們無法確切知道它們是什麼,
分子量為 180 可能是葡萄糖,
不然就是半乳糖或是果糖,
它們都擁有相同的質量,
但在身體中有著不同的功能。
我們的人工智慧演算考慮到
這些含糊不清的情形,
它會在巨大網絡中挖掘數據,
找出那些代謝物如何相互連結,
才會導致疾病的發生。
而且因為它們連接的方式,
我們得以推斷出
每個代謝物的分子量是多少。
在這裡,分子量 180 的可能是葡萄糖。
而且更重要的是,
發現葡萄糖和其他代謝物的變化
如何引發疾病。
這種針對疾病機制的新穎理解,
讓我們能夠針對疾病
找出有效的治療方法。
所以我們成立了一家新創公司
將這項技術帶入市場,
對大家的生活帶來正面影響,
現在我和團隊
在 ReviveMed 生技公司
正利用代謝物
努力尋找重大疾病的療法,
像是脂肪肝疾病,
這是由於脂肪的堆積引起。
而脂肪是肝臟中
不同類型的代謝物組成,
我稍早提到這種重大疾病
目前沒有任何治療方式,
脂肪肝疾病只是其中一個例子,
我們接著要解決
其他數百種目前尚無治療方式的疾病。
藉著搜集更多的代謝物數據,
並且瞭解這些代謝物的變化
如何引發疾病。
我們的演算法會變得愈來愈聰明,
幫助病患找出正確的治療方法。
而且我們能夠利用每條基因碼
一步步達成拯救生命的願景。
謝謝大家。
(掌聲)