0:00:01.507,0:00:03.396
در سال ۲۰۰۳،

0:00:03.420,0:00:06.333
وقتی ما ژنوم انسان را [br]در توالی ترتیب قرار دادیم،

0:00:06.357,0:00:10.279
فکر می‌کردیم جواب درمان[br]بسیاری از بیماریها را داریم

0:00:10.974,0:00:13.631
اما واقعیت بسیار با آن فاصله دارد،

0:00:14.782,0:00:16.703
چون علاوه بر ژن‌هایمان،

0:00:16.727,0:00:21.297
محیط زیست و سبک زندگیمان[br]می‌تواند نقش چشمگیری

0:00:21.321,0:00:23.869
در توسعه‌ی خیلی از [br]بیماریهای مهم داشته باشد.

0:00:23.893,0:00:27.473
یک مثال از آن بیماری کبد چرب است،

0:00:27.497,0:00:31.580
که روی ۲۰ درصد از[br]جمعیت جهانی تاثیر گذاشته است،

0:00:31.604,0:00:34.638
و درمانی ندارد و باعث سرطان کبد

0:00:34.662,0:00:36.085
یا نارسایی کبد می‌شود.

0:00:37.517,0:00:42.261
بنابراین توالی DNA به تنهایی[br]اطلاعات کافی به ما نمی‌دهد

0:00:42.285,0:00:44.517
تا درمان موثری پیدا کنیم.

0:00:44.541,0:00:48.297
نکته‌ی مثبت اینجاست که مولکولهای[br]بسیاری در بدن ما وجود دارد.

0:00:48.321,0:00:52.301
در حقیقت بیش از ۱۰۰,۰۰۰[br]متابولیت وجود دارد.

0:00:52.325,0:00:56.621
متابولیت هر مولکولی است که اندازه آن[br]فوق‌العاده کوچک است.

0:00:57.193,0:01:02.165
مثالهای شناخته شده گلوکز، فراکتوز،[br]چربی ها، کلسترول و .. هستند

0:01:02.189,0:01:03.699
چیزهایی که همیشه می‌شنویم.

0:01:04.273,0:01:07.256
متابولیت‌ها در متابولیسم ما نقش دارند.

0:01:08.066,0:01:12.094
آنها همچنین در پایین دست DNA قرار دارند،

0:01:12.118,0:01:17.200
بنابراین حاوی اطلاعاتی از ژن‌ها[br]همینطور سبک زندگی ما هستند.

0:01:17.224,0:01:22.873
فهمیدن متابولیت‌ها برای پیدا کردن[br]درمان بسیاری از بیماری‌ها ضروری است.

0:01:22.897,0:01:25.109
من همیشه می‌خواستم بیماران را درمان کنم.

0:01:25.934,0:01:29.792
علی رغم آن، ۱۵ سال قبل،[br]دانشکده پزشکی را ترک کردم،

0:01:29.816,0:01:31.781
چون ریاضیات را از دست داده بودم.

0:01:33.019,0:01:35.955
خیلی زود بعد از آن، [br]جالبترین چیز را فهمیدم:

0:01:36.692,0:01:39.455
من می‌توانم از ریاضی [br]برای مطالعه‌ی پزشکی استفاده کنم.

0:01:41.026,0:01:46.239
از آن به بعد، در حال توسعه‌ی الگوریتم‌هایی[br]برای تحلیل داده‌های بیولوژیکی بودم.

0:01:47.092,0:01:49.375
خب، به نظر آسان می‌رسید:

0:01:49.399,0:01:53.000
بیایید داده‌هایی از تمام متابولیت‌های[br]بدنمان را جمع‌آوری کنیم،

0:01:53.024,0:01:58.152
مدلهای ریاضی برای توصیف اینکه آنها چگونه[br]در یک بیماری تغییر می‌کنند توسعه دهیم

0:01:58.176,0:02:01.164
و در آن تغییرات مداخله کنیم[br]تا آنها را درمان کنیم.

0:02:02.488,0:02:05.960
آنوقت بود تشخیص دادم[br]چرا قبلا هیچکس آن را انجام نداده است:

0:02:07.230,0:02:08.917
چون این کار بسیار سخت است.

0:02:08.941,0:02:10.028
(خنده)

0:02:10.052,0:02:12.464
متابولیت‌های بسیار زیادی [br]در بدن ما هست.

0:02:12.783,0:02:15.283
هر کدام از دیگری تفاوت دارد.

0:02:15.307,0:02:19.035
برای بعضی از متابولیت‌ها، [br]می‌توانیم حجم مولکولی‌شان را

0:02:19.059,0:02:21.652
با استفاده از ابزار [br]طیف‌سنجی حجمی اندازه بگیریم.

0:02:21.676,0:02:26.069
اما چون ممکن بود مثلا ۱۰ مولکول[br]با حجم دقیقا یکسان وجود داشته باشد،

0:02:26.093,0:02:27.900
دقیقا نمی‌دانیم آنها چه هستند،

0:02:27.924,0:02:30.698
و اگر می‌خواهید بطور واضح[br]همه‌ی آنها را تشحیص دهید،

0:02:30.722,0:02:33.826
مجبورید آزمایشهای بیشتری انجام دهید،[br]که ممکن است دهه‌ها طول بکشد

0:02:33.850,0:02:35.564
و میلیاردها دلار هزینه داشته باشد.

0:02:36.207,0:02:41.770
بنابراین ما یک بستر هوش مصنوعی[br]برای انجام آن توسعه دادیم.

0:02:41.794,0:02:44.638
ما رشد داده‌های بیولوژیکی را تقویت کردیم

0:02:44.662,0:02:49.086
و پایگاه داده‌ای از تمام اطلاعات موجود[br]درباره‌ی متابولیت‌ها

0:02:49.110,0:02:52.238
و تعاملات آنها با دیگر مولکولها ساختیم.

0:02:52.262,0:02:55.686
ما تمام این داده‌ها را [br]به عنوان ابرشبکه‌ای ترکیب کردیم.

0:02:55.710,0:02:59.106
سپس از بافت یا خون بیماران،

0:02:59.130,0:03:01.881
حجم متابولیت‌ها را اندازه می‌گیریم

0:03:01.905,0:03:05.164
و حجم‌هایی را پیدا می‌کنیم که [br]در طول یک بیماری تغییر می‌کنند.

0:03:05.188,0:03:08.378
اما همانطور که قبلا گفتم[br]نمی‌دانیم آنها چه هستند.

0:03:08.402,0:03:13.537
حجم مولکولی ۱۸۰ می‌تواند گلوکز، [br]گلاکتوز یا فراکتوز باشد.

0:03:13.561,0:03:15.580
همه‌ی آنها حجم یکسانی دارند

0:03:15.604,0:03:17.691
اما نقشهای متفاوتی در بدن ما دارند.

0:03:17.715,0:03:21.302
الگوریتم هوش مصنوعی ما [br]تمام این ابهامات را در نظر گرفته است.

0:03:21.326,0:03:24.062
سپس آن ابر شبکه را استخراج کرد

0:03:24.086,0:03:28.439
تا بفهمد آن حجم‌های متابولیک[br]چگونه به یکدیگر مرتبط هستند

0:03:28.463,0:03:30.421
که باعث بیماری می‌گردند.

0:03:30.445,0:03:32.683
و به خاطر روشی که به هم مرتبط هستند،

0:03:32.707,0:03:37.030
سپس می‌توانیم استنباط کنیم [br]که هر حجم متابولیت چه چیزی هست،

0:03:37.054,0:03:39.978
مثل آن ۱۸۰ می‌تواند در اینجا گلوکز باشد،

0:03:40.002,0:03:42.553
و مهمتر، کشف کردن اینکه

0:03:42.577,0:03:45.944
چگونه تغییر در گلوکز و دیگر متابولیت‌ها

0:03:45.968,0:03:47.473
باعث بیماری می‌شود.

0:03:47.497,0:03:50.492
این درک جدید از مکانیسم‌های بیماری

0:03:50.516,0:03:55.008
سپس ما را قادر می سازد تا درمان موثری[br]برای هدف قرار دادن آن کشف کنیم.

0:03:55.601,0:03:59.446
بنابراین شرکت استارت‌آپی تشکیل دادیم[br]تا این تکنولوژی را به بازار بیاوریم

0:03:59.470,0:04:01.275
و روی زندگی مردم تاثیر بگذاریم.

0:04:01.722,0:04:05.267
اکنون من و تیمم در ReviveMed در حال[br]کار کردن برای کشف

0:04:05.291,0:04:10.396
درمانی برای عمده بیماریهایی هستیم [br]که در آنها متابولیت‌ها محرکهای اصلی هستند،

0:04:10.420,0:04:12.317
مثلا بیماری کبد چرب،

0:04:12.341,0:04:15.265
چون به واسطه [br]تجمع چربی‌ها ایجاد شده است،

0:04:15.289,0:04:17.762
که انواعی از متابولیت‌ها در کبد هستند.

0:04:17.786,0:04:21.726
همانطور که قبلا گفتم، این بیماری همه گیر[br]و بدون درمان است.

0:04:21.750,0:04:24.474
و بیماری کبد چرب تنها یک مثال است.

0:04:24.498,0:04:28.676
در حرکت به جلو، ما قصد داریم[br]با صدها بیماری

0:04:28.700,0:04:30.193
بدون درمان دیگر نیز مقابله کنیم

0:04:30.217,0:04:34.771
و با جمع‌آوری داده‌های بیشتر و بیشتر[br]در مورد متابولیت‌ها

0:04:34.795,0:04:38.339
و فهمیدن اینکه چگونه[br]تغییرات در متابولیت‌ها

0:04:38.363,0:04:40.765
باعث گسترش بیماریها می‌شود،

0:04:40.789,0:04:44.278
الگوریتمهای ما باهوش‌تر[br]و باهوش‌تر می‌شوند

0:04:44.302,0:04:48.498
تا درمان درست برای [br]بیماران درست را انجام دهند.

0:04:48.522,0:04:52.292
و ما به چشم‌انداز خودمان [br]نزدیک‌تر خواهیم شد

0:04:52.316,0:04:56.179
با نجات جان‌ها با هر خط کدی که دارند.

0:04:56.203,0:04:57.524
متشکرم.

0:04:57.548,0:05:01.375
(تشویق)