1
00:00:01,507 --> 00:00:03,396
در سال ۲۰۰۳،

2
00:00:03,420 --> 00:00:06,333
وقتی ما ژنوم انسان را 
در توالی ترتیب قرار دادیم،

3
00:00:06,357 --> 00:00:10,279
فکر می‌کردیم جواب درمان
بسیاری از بیماریها را داریم

4
00:00:10,974 --> 00:00:13,631
اما واقعیت بسیار با آن فاصله دارد،

5
00:00:14,782 --> 00:00:16,703
چون علاوه بر ژن‌هایمان،

6
00:00:16,727 --> 00:00:21,297
محیط زیست و سبک زندگیمان
می‌تواند نقش چشمگیری

7
00:00:21,321 --> 00:00:23,869
در توسعه‌ی خیلی از 
بیماریهای مهم داشته باشد.

8
00:00:23,893 --> 00:00:27,473
یک مثال از آن بیماری کبد چرب است،

9
00:00:27,497 --> 00:00:31,580
که روی ۲۰ درصد از
جمعیت جهانی تاثیر گذاشته است،

10
00:00:31,604 --> 00:00:34,638
و درمانی ندارد و باعث سرطان کبد

11
00:00:34,662 --> 00:00:36,085
یا نارسایی کبد می‌شود.

12
00:00:37,517 --> 00:00:42,261
بنابراین توالی DNA به تنهایی
اطلاعات کافی به ما نمی‌دهد

13
00:00:42,285 --> 00:00:44,517
تا درمان موثری پیدا کنیم.

14
00:00:44,541 --> 00:00:48,297
نکته‌ی مثبت اینجاست که مولکولهای
بسیاری در بدن ما وجود دارد.

15
00:00:48,321 --> 00:00:52,301
در حقیقت بیش از ۱۰۰,۰۰۰
متابولیت وجود دارد.

16
00:00:52,325 --> 00:00:56,621
متابولیت هر مولکولی است که اندازه آن
فوق‌العاده کوچک است.

17
00:00:57,193 --> 00:01:02,165
مثالهای شناخته شده گلوکز، فراکتوز،
چربی ها، کلسترول و .. هستند

18
00:01:02,189 --> 00:01:03,699
چیزهایی که همیشه می‌شنویم.

19
00:01:04,273 --> 00:01:07,256
متابولیت‌ها در متابولیسم ما نقش دارند.

20
00:01:08,066 --> 00:01:12,094
آنها همچنین در پایین دست DNA قرار دارند ،

21
00:01:12,118 --> 00:01:17,200
بنابراین حاوی اطلاعاتی از ژن‌ها
همینطور سبک زندگی ما هستند.

22
00:01:17,224 --> 00:01:22,873
فهمیدن متابولیت‌ها برای پیدا کردن
درمان بسیاری از بیماری‌ها ضروری است.

23
00:01:22,897 --> 00:01:25,109
من همیشه می‌خواستم بیماران را درمان کنم.

24
00:01:25,934 --> 00:01:29,792
علی رغم آن، ۱۵ سال قبل،
دانشکده پزشکی را ترک کردم،

25
00:01:29,816 --> 00:01:31,781
چون ریاضیات را از دست داده بودم.

26
00:01:33,019 --> 00:01:35,955
خیلی زود بعد از آن، 
جالبترین چیز را فهمیدم:

27
00:01:36,692 --> 00:01:39,455
من می‌توانم از ریاضی 
برای مطالعه‌ی پزشکی استفاده کنم.

28
00:01:41,026 --> 00:01:46,239
از آن به بعد، در حال توسعه‌ی الگوریتم‌هایی
برای تحلیل داده‌های بیولوژیکی بودم.

29
00:01:47,092 --> 00:01:49,375
خب، به نظر آسان می‌رسید:

30
00:01:49,399 --> 00:01:53,000
بیایید داده‌هایی از تمام متابولیت‌های
بدنمان را جمع‌آوری کنیم،

31
00:01:53,024 --> 00:01:58,152
مدلهای ریاضی برای توصیف اینکه آنها چگونه
در یک بیماری تغییر می‌کنند توسعه دهیم

32
00:01:58,176 --> 00:02:01,164
و در آن تغییرات مداخله کنیم
تا آنها را درمان کنیم.

33
00:02:02,488 --> 00:02:05,960
آنوقت بود تشخیص دادم
چرا قبلا هیچکس آن را انجام نداده است:

34
00:02:07,230 --> 00:02:08,917
چون این کار بسیار سخت است.

35
00:02:08,941 --> 00:02:10,028
(خنده)

36
00:02:10,052 --> 00:02:12,464
متابولیت‌های بسیار زیادی 
در بدن ما هست.

37
00:02:12,783 --> 00:02:15,283
هر کدام از دیگری تفاوت دارد.

38
00:02:15,307 --> 00:02:19,035
برای بعضی از متابولیت‌ها، 
می‌توانیم حجم مولکولی‌شان را

39
00:02:19,059 --> 00:02:21,652
با استفاده از ابزار 
طیف‌سنجی حجمی اندازه بگیریم .

40
00:02:21,676 --> 00:02:26,069
اما چون ممکن بود مثلا ۱۰ مولکول
با حجم دقیقا یکسان وجود داشته باشد،

41
00:02:26,093 --> 00:02:27,900
دقیقا نمی‌دانیم آنها چه هستند،

42
00:02:27,924 --> 00:02:30,698
و اگر می‌خواهید بطور واضح
همه‌ی آنها را تشحیص دهید،

43
00:02:30,722 --> 00:02:33,826
مجبورید آزمایشهای بیشتری انجام دهید،
که ممکن است دهه‌ها طول بکشد

44
00:02:33,850 --> 00:02:35,564
و میلیاردها دلار هزینه داشته باشد.

45
00:02:36,207 --> 00:02:41,770
بنابراین ما یک بستر هوش مصنوعی
برای انجام آن توسعه دادیم.

46
00:02:41,794 --> 00:02:44,638
ما رشد داده‌های بیولوژیکی را تقویت کردیم

47
00:02:44,662 --> 00:02:49,086
و پایگاه داده‌ای از تمام اطلاعات موجود
درباره‌ی متابولیت‌ها

48
00:02:49,110 --> 00:02:52,238
و تعاملات آنها با دیگر مولکولها ساختیم.

49
00:02:52,262 --> 00:02:55,686
ما تمام این داده‌ها را 
به عنوان ابرشبکه‌ای ترکیب کردیم.

50
00:02:55,710 --> 00:02:59,106
سپس از بافت یا خون بیماران،

51
00:02:59,130 --> 00:03:01,881
حجم متابولیت‌ها را اندازه می‌گیریم

52
00:03:01,905 --> 00:03:05,164
و حجم‌هایی را پیدا می‌کنیم که 
در طول یک بیماری تغییر می‌کنند.

53
00:03:05,188 --> 00:03:08,378
اما همانطور که قبلا گفتم
نمی‌دانیم آنها چه هستند.

54
00:03:08,402 --> 00:03:13,537
حجم مولکولی ۱۸۰ می‌تواند گلوکز، 
گلاکتوز یا فراکتوز باشد.

55
00:03:13,561 --> 00:03:15,580
همه‌ی آنها حجم یکسانی دارند

56
00:03:15,604 --> 00:03:17,691
اما نقشهای متفاوتی در بدن ما دارند.

57
00:03:17,715 --> 00:03:21,302
الگوریتم هوش مصنوعی ما 
تمام این ابهامات را در نظر گرفته است.

58
00:03:21,326 --> 00:03:24,062
سپس آن ابر شبکه را استخراج کرد

59
00:03:24,086 --> 00:03:28,439
تا بفهمد آن حجم‌های متابولیک
چگونه به یکدیگر مرتبط هستند

60
00:03:28,463 --> 00:03:30,421
که باعث بیماری می‌گردند.

61
00:03:30,445 --> 00:03:32,683
و به خاطر روشی که به هم مرتبط هستند،

62
00:03:32,707 --> 00:03:37,030
سپس می‌توانیم استنباط کنیم 
که هر حجم متابولیت چه چیزی هست،

63
00:03:37,054 --> 00:03:39,978
مثل آن ۱۸۰ می‌تواند در اینجا گلوکز باشد،

64
00:03:40,002 --> 00:03:42,553
و مهمتر، کشف کردن اینکه

65
00:03:42,577 --> 00:03:45,944
چگونه تغییر در گلوکز و دیگر متابولیت‌ها

66
00:03:45,968 --> 00:03:47,473
باعث بیماری می‌شود.

67
00:03:47,497 --> 00:03:50,492
این درک جدید از مکانیسم‌های بیماری

68
00:03:50,516 --> 00:03:55,008
سپس ما را قادر می سازد تا درمان موثری
برای هدف قرار دادن آن کشف کنیم.

69
00:03:55,601 --> 00:03:59,446
بنابراین شرکت استارت‌آپی تشکیل دادیم
تا این تکنولوژی را به بازار بیاوریم

70
00:03:59,470 --> 00:04:01,275
و روی زندگی مردم تاثیر بگذاریم.

71
00:04:01,722 --> 00:04:05,267
اکنون من و تیمم در ReviveMed در حال
کار کردن برای کشف

72
00:04:05,291 --> 00:04:10,396
درمانی برای عمده بیماریهایی هستیم 
که در آنها متابولیت‌ها محرکهای اصلی هستند،

73
00:04:10,420 --> 00:04:12,317
مثلا بیماری کبد چرب،

74
00:04:12,341 --> 00:04:15,265
چون به واسطه 
تجمع چربی‌ها ایجاد شده است،

75
00:04:15,289 --> 00:04:17,762
که انواعی از متابولیت‌ها در کبد هستند.

76
00:04:17,786 --> 00:04:21,726
همانطور که قبلا گفتم، این بیماری همه گیر
و بدون درمان است.

77
00:04:21,750 --> 00:04:24,474
و بیماری کبد چرب تنها یک مثال است.

78
00:04:24,498 --> 00:04:28,676
در حرکت به جلو، ما قصد داریم
با صدها بیماری

79
00:04:28,700 --> 00:04:30,193
بدون درمان دیگر نیز مقابله کنیم

80
00:04:30,217 --> 00:04:34,771
و با جمع‌آوری داده‌های بیشتر و بیشتر
در مورد متابولیت‌ها

81
00:04:34,795 --> 00:04:38,339
و فهمیدن اینکه چگونه
تغییرات در متابولیت‌ها

82
00:04:38,363 --> 00:04:40,765
باعث گسترش بیماریها می‌شود،

83
00:04:40,789 --> 00:04:44,278
الگوریتمهای ما باهوش‌تر
و باهوش‌تر می‌شوند

84
00:04:44,302 --> 00:04:48,498
تا درمان درست برای 
بیماران درست را انجام دهند.

85
00:04:48,522 --> 00:04:52,292
و ما به چشم‌انداز خودمان 
نزدیک‌تر خواهیم شد

86
00:04:52,316 --> 00:04:56,179
با نجات جان‌ها با هر خط کدی که دارند.

87
00:04:56,203 --> 00:04:57,524
متشکرم.

88
00:04:57,548 --> 00:05:01,375
(تشویق)