WEBVTT

00:00:01.507 --> 00:00:03.396
در سال ۲۰۰۳،

00:00:03.420 --> 00:00:06.333
وقتی ما ژنوم انسان را 
در توالی ترتیب قرار دادیم،

00:00:06.357 --> 00:00:10.279
فکر می‌کردیم جواب درمان
بسیاری از بیماریها را داریم

00:00:10.974 --> 00:00:13.631
اما واقعیت بسیار با آن فاصله دارد،

00:00:14.782 --> 00:00:16.703
چون علاوه بر ژن‌هایمان،

00:00:16.727 --> 00:00:21.297
محیط زیست و سبک زندگیمان
می‌تواند نقش چشمگیری

00:00:21.321 --> 00:00:23.869
در توسعه‌ی خیلی از 
بیماریهای مهم داشته باشد.

NOTE Paragraph

00:00:23.893 --> 00:00:27.473
یک مثال از آن بیماری کبد چرب است،

00:00:27.497 --> 00:00:31.580
که روی ۲۰ درصد از
جمعیت جهانی تاثیر گذاشته است،

00:00:31.604 --> 00:00:34.638
و درمانی ندارد و باعث سرطان کبد

00:00:34.662 --> 00:00:36.085
یا نارسایی کبد می‌شود.

00:00:37.517 --> 00:00:42.261
بنابراین توالی DNA به تنهایی
اطلاعات کافی به ما نمی‌دهد

00:00:42.285 --> 00:00:44.517
تا درمان موثری پیدا کنیم.

NOTE Paragraph

00:00:44.541 --> 00:00:48.297
نکته‌ی مثبت اینجاست که مولکولهای
بسیاری در بدن ما وجود دارد.

00:00:48.321 --> 00:00:52.301
در حقیقت بیش از ۱۰۰,۰۰۰
متابولیت وجود دارد.

00:00:52.325 --> 00:00:56.621
متابولیت هر مولکولی است که اندازه آن
فوق‌العاده کوچک است.

00:00:57.193 --> 00:01:02.165
مثالهای شناخته شده گلوکز، فراکتوز،
چربی ها، کلسترول و .. هستند

00:01:02.189 --> 00:01:03.699
چیزهایی که همیشه می‌شنویم.

00:01:04.273 --> 00:01:07.256
متابولیت‌ها در متابولیسم ما نقش دارند.

00:01:08.066 --> 00:01:12.094
آنها همچنین در پایین دست DNA قرار دارند ،

00:01:12.118 --> 00:01:17.200
بنابراین حاوی اطلاعاتی از ژن‌ها
همینطور سبک زندگی ما هستند.

00:01:17.224 --> 00:01:22.873
فهمیدن متابولیت‌ها برای پیدا کردن
درمان بسیاری از بیماری‌ها ضروری است.

NOTE Paragraph

00:01:22.897 --> 00:01:25.109
من همیشه می‌خواستم بیماران را درمان کنم.

00:01:25.934 --> 00:01:29.792
علی رغم آن، ۱۵ سال قبل،
دانشکده پزشکی را ترک کردم،

00:01:29.816 --> 00:01:31.781
چون ریاضیات را از دست داده بودم.

00:01:33.019 --> 00:01:35.955
خیلی زود بعد از آن، 
جالبترین چیز را فهمیدم:

00:01:36.692 --> 00:01:39.455
من می‌توانم از ریاضی 
برای مطالعه‌ی پزشکی استفاده کنم.

00:01:41.026 --> 00:01:46.239
از آن به بعد، در حال توسعه‌ی الگوریتم‌هایی
برای تحلیل داده‌های بیولوژیکی بودم.

00:01:47.092 --> 00:01:49.375
خب، به نظر آسان می‌رسید:

00:01:49.399 --> 00:01:53.000
بیایید داده‌هایی از تمام متابولیت‌های
بدنمان را جمع‌آوری کنیم،

00:01:53.024 --> 00:01:58.152
مدلهای ریاضی برای توصیف اینکه آنها چگونه
در یک بیماری تغییر می‌کنند توسعه دهیم

00:01:58.176 --> 00:02:01.164
و در آن تغییرات مداخله کنیم
تا آنها را درمان کنیم.

NOTE Paragraph

00:02:02.488 --> 00:02:05.960
آنوقت بود تشخیص دادم
چرا قبلا هیچکس آن را انجام نداده است:

00:02:07.230 --> 00:02:08.917
چون این کار بسیار سخت است.

NOTE Paragraph

00:02:08.941 --> 00:02:10.028
(خنده)

NOTE Paragraph

00:02:10.052 --> 00:02:12.464
متابولیت‌های بسیار زیادی 
در بدن ما هست.

00:02:12.783 --> 00:02:15.283
هر کدام از دیگری تفاوت دارد.

00:02:15.307 --> 00:02:19.035
برای بعضی از متابولیت‌ها، 
می‌توانیم حجم مولکولی‌شان را

00:02:19.059 --> 00:02:21.652
با استفاده از ابزار 
طیف‌سنجی حجمی اندازه بگیریم .

00:02:21.676 --> 00:02:26.069
اما چون ممکن بود مثلا ۱۰ مولکول
با حجم دقیقا یکسان وجود داشته باشد،

00:02:26.093 --> 00:02:27.900
دقیقا نمی‌دانیم آنها چه هستند،

00:02:27.924 --> 00:02:30.698
و اگر می‌خواهید بطور واضح
همه‌ی آنها را تشحیص دهید،

00:02:30.722 --> 00:02:33.826
مجبورید آزمایشهای بیشتری انجام دهید،
که ممکن است دهه‌ها طول بکشد

00:02:33.850 --> 00:02:35.564
و میلیاردها دلار هزینه داشته باشد.

NOTE Paragraph

00:02:36.207 --> 00:02:41.770
بنابراین ما یک بستر هوش مصنوعی
برای انجام آن توسعه دادیم.

00:02:41.794 --> 00:02:44.638
ما رشد داده‌های بیولوژیکی را تقویت کردیم

00:02:44.662 --> 00:02:49.086
و پایگاه داده‌ای از تمام اطلاعات موجود
درباره‌ی متابولیت‌ها

00:02:49.110 --> 00:02:52.238
و تعاملات آنها با دیگر مولکولها ساختیم.

00:02:52.262 --> 00:02:55.686
ما تمام این داده‌ها را 
به عنوان ابرشبکه‌ای ترکیب کردیم.

00:02:55.710 --> 00:02:59.106
سپس از بافت یا خون بیماران،

00:02:59.130 --> 00:03:01.881
حجم متابولیت‌ها را اندازه می‌گیریم

00:03:01.905 --> 00:03:05.164
و حجم‌هایی را پیدا می‌کنیم که 
در طول یک بیماری تغییر می‌کنند.

00:03:05.188 --> 00:03:08.378
اما همانطور که قبلا گفتم
نمی‌دانیم آنها چه هستند.

00:03:08.402 --> 00:03:13.537
حجم مولکولی ۱۸۰ می‌تواند گلوکز، 
گلاکتوز یا فراکتوز باشد.

00:03:13.561 --> 00:03:15.580
همه‌ی آنها حجم یکسانی دارند

00:03:15.604 --> 00:03:17.691
اما نقشهای متفاوتی در بدن ما دارند.

00:03:17.715 --> 00:03:21.302
الگوریتم هوش مصنوعی ما 
تمام این ابهامات را در نظر گرفته است.

00:03:21.326 --> 00:03:24.062
سپس آن ابر شبکه را استخراج کرد

00:03:24.086 --> 00:03:28.439
تا بفهمد آن حجم‌های متابولیک
چگونه به یکدیگر مرتبط هستند

00:03:28.463 --> 00:03:30.421
که باعث بیماری می‌گردند.

00:03:30.445 --> 00:03:32.683
و به خاطر روشی که به هم مرتبط هستند،

00:03:32.707 --> 00:03:37.030
سپس می‌توانیم استنباط کنیم 
که هر حجم متابولیت چه چیزی هست،

00:03:37.054 --> 00:03:39.978
مثل آن ۱۸۰ می‌تواند در اینجا گلوکز باشد،

00:03:40.002 --> 00:03:42.553
و مهمتر، کشف کردن اینکه

00:03:42.577 --> 00:03:45.944
چگونه تغییر در گلوکز و دیگر متابولیت‌ها

00:03:45.968 --> 00:03:47.473
باعث بیماری می‌شود.

00:03:47.497 --> 00:03:50.492
این درک جدید از مکانیسم‌های بیماری

00:03:50.516 --> 00:03:55.008
سپس ما را قادر می سازد تا درمان موثری
برای هدف قرار دادن آن کشف کنیم.

NOTE Paragraph

00:03:55.601 --> 00:03:59.446
بنابراین شرکت استارت‌آپی تشکیل دادیم
تا این تکنولوژی را به بازار بیاوریم

00:03:59.470 --> 00:04:01.275
و روی زندگی مردم تاثیر بگذاریم.

00:04:01.722 --> 00:04:05.267
اکنون من و تیمم در ReviveMed در حال
کار کردن برای کشف

00:04:05.291 --> 00:04:10.396
درمانی برای عمده بیماریهایی هستیم 
که در آنها متابولیت‌ها محرکهای اصلی هستند،

00:04:10.420 --> 00:04:12.317
مثلا بیماری کبد چرب،

00:04:12.341 --> 00:04:15.265
چون به واسطه 
تجمع چربی‌ها ایجاد شده است،

00:04:15.289 --> 00:04:17.762
که انواعی از متابولیت‌ها در کبد هستند.

00:04:17.786 --> 00:04:21.726
همانطور که قبلا گفتم، این بیماری همه گیر
و بدون درمان است.

NOTE Paragraph

00:04:21.750 --> 00:04:24.474
و بیماری کبد چرب تنها یک مثال است.

00:04:24.498 --> 00:04:28.676
در حرکت به جلو، ما قصد داریم
با صدها بیماری

00:04:28.700 --> 00:04:30.193
بدون درمان دیگر نیز مقابله کنیم

00:04:30.217 --> 00:04:34.771
و با جمع‌آوری داده‌های بیشتر و بیشتر
در مورد متابولیت‌ها

00:04:34.795 --> 00:04:38.339
و فهمیدن اینکه چگونه
تغییرات در متابولیت‌ها

00:04:38.363 --> 00:04:40.765
باعث گسترش بیماریها می‌شود،

00:04:40.789 --> 00:04:44.278
الگوریتمهای ما باهوش‌تر
و باهوش‌تر می‌شوند

00:04:44.302 --> 00:04:48.498
تا درمان درست برای 
بیماران درست را انجام دهند.

00:04:48.522 --> 00:04:52.292
و ما به چشم‌انداز خودمان 
نزدیک‌تر خواهیم شد

00:04:52.316 --> 00:04:56.179
با نجات جان‌ها با هر خط کدی که دارند.

NOTE Paragraph

00:04:56.203 --> 00:04:57.524
متشکرم.

NOTE Paragraph

00:04:57.548 --> 00:05:01.375
(تشویق)