WEBVTT

00:00:01.507 --> 00:00:03.396
En 2003,

00:00:03.420 --> 00:00:06.333
cuando secuenciamos el genoma humano,

00:00:06.357 --> 00:00:10.319
creímos que encontraríamos la respuesta
para muchas enfermedades.

00:00:10.974 --> 00:00:13.631
Pero la realidad está muy lejos de esto,

00:00:14.782 --> 00:00:16.703
porque además de nuestros genes,

00:00:16.727 --> 00:00:21.297
nuestro ambiente y estilo de vida 
podrían tener un rol importante

00:00:21.321 --> 00:00:23.869
en el desarrollo de 
varias enfermedades importantes.

NOTE Paragraph

00:00:23.893 --> 00:00:27.473
Un ejemplo de esto es 
la enfermedad del hígado graso,

00:00:27.497 --> 00:00:31.580
que afecta a más del 20 % 
de la población global,

00:00:31.604 --> 00:00:34.638
no tiene tratamiento 
y puede causar cáncer de hígado

00:00:34.662 --> 00:00:36.295
o insuficiencia hepática.

00:00:37.517 --> 00:00:42.171
Así que, secuenciar el ADN 
no nos da información suficiente

00:00:42.285 --> 00:00:44.517
para encontrar tratamientos efectivos.

NOTE Paragraph

00:00:44.541 --> 00:00:48.297
El lado positivo es que hay muchas otras
moléculas en nuestro cuerpo.

00:00:48.321 --> 00:00:51.957
Es más, hay más de 100 000 metabolitos.

00:00:52.325 --> 00:00:56.378
Los metabolitos son moléculas 
muy chiquitas en tamaño.

00:00:57.193 --> 00:01:01.858
Ejemplos conocidos serían la glucosa, 
la fructosa, la grasa, el colesterol,

00:01:02.189 --> 00:01:03.699
cosas que escuchamos a menudo.

00:01:04.273 --> 00:01:07.376
Los metabolitos están involucrados 
en nuestro metabolismo.

00:01:08.066 --> 00:01:11.902
Tienen la carga genética de nuestro ADN

00:01:12.118 --> 00:01:16.899
así que tienen información sobre nuestros 
genes y sobre nuestro estilo de vida.

00:01:17.224 --> 00:01:19.327
Entender los metabolitos

NOTE Paragraph

00:01:19.327 --> 00:01:22.960
puede ayudar a encontrar tratamientos
para muchas enfermedades.

00:01:22.960 --> 00:01:25.306
Siempre quise tratar pacientes.

00:01:26.096 --> 00:01:29.830
A pesar de eso, hace 15 años,
dejé mis estudios de Medicina

00:01:29.830 --> 00:01:32.422
porque extrañaba las matemáticas.

00:01:33.112 --> 00:01:36.506
Poco después, descubrí algo fantástico:

00:01:36.506 --> 00:01:39.929
puedo usar la matemática
para estudiar medicina.

00:01:41.057 --> 00:01:46.214
Desde entonces, fui desarrollando
algoritmos para analizar datos biológicos.

00:01:47.128 --> 00:01:49.263
Parecía fácil:

00:01:49.282 --> 00:01:53.800
juntemos datos de todos los metabolitos
que hay en nuestro cuerpo,

00:01:53.800 --> 00:01:57.931
desarrollemos modelos matemáticos para
describir cómo cambian con enfermedades

NOTE Paragraph

00:01:57.931 --> 00:02:02.136
y cómo intervienen en esos cambios
para poder tratarlas.

00:02:02.697 --> 00:02:06.207
Pero me di cuenta por qué
nadie lo había hecho antes:

NOTE Paragraph

00:02:07.085 --> 00:02:09.195
es extremadamente difícil.

NOTE Paragraph

00:02:09.195 --> 00:02:10.159
(Risas)

00:02:10.265 --> 00:02:12.707
Hay demasiados metabolitos
en nuestro cuerpo.

00:02:12.707 --> 00:02:15.406
Cada uno es diferente de otro.

00:02:15.406 --> 00:02:19.062
Para algunos metabolitos, 
podemos medir su masa molecular

00:02:19.062 --> 00:02:21.868
usando instrumentos
de espectrometría de masas.

00:02:21.885 --> 00:02:25.829
Pero como podría haber 
como 10 moléculas con la misma masa

00:02:25.829 --> 00:02:28.106
no sabemos exactamente qué son,

00:02:28.123 --> 00:02:30.597
y si se quiere 
identificar todas claramente,

00:02:30.597 --> 00:02:33.860
hay que hacer más experimentos,
lo que podría llevar décadas

NOTE Paragraph

00:02:33.860 --> 00:02:35.839
y miles de millones de dólares.

00:02:36.473 --> 00:02:41.690
Así que, desarrollamos una plataforma
de inteligencia artificial que hace eso.

00:02:42.111 --> 00:02:44.820
Aprovechamos el crecimiento
de los datos biológicos

00:02:45.109 --> 00:02:48.987
y construimos una base de datos a partir
de información obtenida sobre metabolitos

00:02:48.987 --> 00:02:52.171
y sus interacciones con otras moléculas.

00:02:52.497 --> 00:02:55.512
Combinamos todos estos datos
como una mega red.

00:02:56.190 --> 00:02:58.830
A partir de tejidos
o de la sangre de pacientes,

00:02:59.269 --> 00:03:01.800
medimos las masas de los metabolitos

00:03:02.128 --> 00:03:05.378
y encontramos las masas
que cambian en una enfermedad.

00:03:05.725 --> 00:03:08.596
Pero, cómo dije antes, no sabemos
exactamente qué son.

00:03:08.865 --> 00:03:13.406
Una masa molecular de 180
podría ser glucosa o galactosa o fructosa.

00:03:13.772 --> 00:03:15.803
Todas tienen exactamente la misma masa.

00:03:15.803 --> 00:03:18.185
Pero tienen distintas funciones
en nuestro cuerpo.

00:03:18.185 --> 00:03:21.461
Nuestro algoritmo de IA
consideró todas estas ambigüedades.

00:03:21.759 --> 00:03:25.300
Y luego explotó toda esa mega red

00:03:25.300 --> 00:03:28.678
para encontrar como esas masas metabólicas
están conectadas entre sí

00:03:28.731 --> 00:03:30.632
para causar una enfermedad.

00:03:30.632 --> 00:03:32.791
Y por la forma en la que están conectadas,

00:03:32.791 --> 00:03:36.559
podemos deducir cuál es 
la masa del metabolito,

00:03:36.989 --> 00:03:40.116
como esta 180 que podría ser glucosa,

00:03:40.116 --> 00:03:42.734
y más importante aún, descubrir

00:03:42.734 --> 00:03:45.909
cómo los cambios en la glucosa
y otros metabolitos

00:03:45.909 --> 00:03:47.752
pueden causar enfermedades.

00:03:47.752 --> 00:03:50.316
Esta comprensión
del mecanismo de las enfermedades

NOTE Paragraph

00:03:50.316 --> 00:03:55.278
nos deja descubrir terapias
efectivas para tratar eso.

00:03:55.659 --> 00:03:59.361
Creamos una empresa emergente 
para llevar esta tecnología al mercado

00:03:59.361 --> 00:04:01.482
y para cambiar la vida de la gente.

00:04:01.980 --> 00:04:05.168
Ahora mi equipo y yo en ReviveMed
estamos trabajando para descubrir

00:04:05.169 --> 00:04:09.801
tratamientos para enfermedades mayores
causadas por metabolitos

00:04:09.801 --> 00:04:12.228
como la enfermedad hepática,

00:04:12.593 --> 00:04:15.278
que es causada
por la acumulación de grasas,

00:04:15.278 --> 00:04:18.183
que son tipos de metabolitos
que se encuentran en el hígado.

NOTE Paragraph

00:04:18.183 --> 00:04:21.896
Como dije antes, es una epidemia
gigante sin tratamiento.

00:04:21.963 --> 00:04:24.581
Y la enfermedad hepática, 
es solo un ejemplo.

00:04:24.976 --> 00:04:28.615
Cambiando de tema, enfrentaremos
cientos de otras enfermedades,

00:04:28.615 --> 00:04:30.726
que no tienen tratamiento.

00:04:30.726 --> 00:04:34.955
Conforme recolectamos más y más
información sobre los metabolitos

00:04:35.399 --> 00:04:38.095
y entendemos cómo 
los cambios en los metabolitos

00:04:38.362 --> 00:04:40.791
llevan al desarrollo de enfermedades,

00:04:41.260 --> 00:04:44.307
nuestros algoritmos se volverán
más y más inteligentes

00:04:44.670 --> 00:04:48.733
para poder descubrir los tratamientos
correctos para los pacientes.

00:04:49.097 --> 00:04:52.821
Llegaremos más y más cerca
a cumplir nuestra visión

NOTE Paragraph

00:04:53.160 --> 00:04:56.187
de salvar vidas
con cada línea de programación.

NOTE Paragraph

00:04:56.187 --> 00:04:57.554
Gracias.

00:04:57.554 --> 00:04:59.560
(Aplausos)