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)