0:00:01.507,0:00:03.396
En 2003,

0:00:03.420,0:00:06.333
lorsqu'on a séquencé le génome humain,

0:00:06.357,0:00:10.279
on pensait trouver les traitements[br]de beaucoup de maladies.

0:00:10.974,0:00:13.631
Mais on était loin de la vérité

0:00:14.782,0:00:16.703
parce qu'en plus de nos gènes,

0:00:16.727,0:00:21.297
notre environnement et façon de vivre[br]peuvent jouer un rôle important

0:00:21.321,0:00:23.869
dans le développement de [br]beaucoup de maladies graves

0:00:23.893,0:00:27.473
L'un des exemples est [br]la stéatose hépatique,

0:00:27.497,0:00:31.580
qui affecte plus de 20 %[br]de la population mondiale,

0:00:31.604,0:00:34.638
elle n'a pas de traitement[br]et entraîne le cancer du foie

0:00:34.662,0:00:36.085
ou l'insuffisance hépatique.

0:00:37.517,0:00:42.261
Donc le séquençage de l'ADN seul [br]ne nous donne pas assez d'informations

0:00:42.285,0:00:44.517
pour trouver des thérapeutiques efficaces

0:00:44.541,0:00:48.297
Du bon côté des choses, il y a beaucoup[br]d'autres molécules dans notre corps.

0:00:48.321,0:00:52.301
En fait, il y a[br]plus de 100 000 métabolites.

0:00:52.325,0:00:56.621
Les métabolites sont des molécules[br]de taille extrêmement petite.

0:00:57.193,0:01:02.165
Les exemples connus sont le glucose,[br]le fructose, les lipides, le cholestérol -

0:01:02.189,0:01:03.699
des termes très familiers.

0:01:04.273,0:01:07.256
Les métabolites sont impliqués [br]dans notre métabolisme.

0:01:08.066,0:01:12.094
Ils sont situés en aval de l'ADN,

0:01:12.118,0:01:17.200
et transmettent des informations sur [br]nos gènes ainsi que notre style de vie.

0:01:17.224,0:01:22.873
Comprendre les métabolites est essentiel[br]pour le traitement de nombre de maladies.

0:01:22.897,0:01:25.109
J'ai toujours voulu soigner des patients.

0:01:25.934,0:01:29.792
Malgré cela, il y a 15 ans de cela, [br]j'ai abandonné l’école de médecine,

0:01:29.816,0:01:31.781
vu que j'ai raté les mathématiques.

0:01:33.019,0:01:35.955
Peu après, j'ai fait la plus [br]cool des découvertes :

0:01:36.692,0:01:39.455
je pouvais étudier la médecine [br]à l'aide des maths.

0:01:41.026,0:01:46.239
Dès lors, j'ai développé des algorithmes[br]pour analyser des données biologiques.

0:01:47.092,0:01:49.375
Cela semblait donc facile :

0:01:49.399,0:01:53.000
collecter des données de tous[br]les métabolites de notre corps,

0:01:53.024,0:01:58.152
développer des modèles mathématiques pour[br]décrire leur changement dans une maladie

0:01:58.176,0:02:01.164
et y intervenir[br]afin de traiter ces maladies.

0:02:02.488,0:02:05.960
C'est là que j'ai compris pourquoi[br]cela n'a jamais été fait avant :

0:02:07.230,0:02:08.917
c'est extrêmement difficile.

0:02:08.941,0:02:10.028
(Rires)

0:02:10.052,0:02:12.464
Il y a beaucoup de métabolites[br]dans notre corps.

0:02:12.783,0:02:15.283
Ils sont différents les uns des autres.

0:02:15.307,0:02:19.035
On peut mesurer la masse moléculaire[br]de certains métabolites

0:02:19.059,0:02:21.652
en se servant d'instruments[br]de spectrométrie de masse.

0:02:21.676,0:02:26.069
Mais parce qu'il pourrait y avoir[br]10 molécules avec la même masse,

0:02:26.093,0:02:27.900
on ne peut pas les différencier,

0:02:27.924,0:02:30.698
et si vous voulez les identifier[br]tous clairement,

0:02:30.722,0:02:33.826
il faut faire plus d’expériences, [br]pouvant prendre des décennies

0:02:33.850,0:02:35.564
et coûtant des milliards de dollars.

0:02:36.207,0:02:41.770
On a donc développé une plateforme d'IA[br]ou d'intelligence artificielle pour cela.

0:02:41.794,0:02:44.638
On a exploité la croissance[br]des données biologiques

0:02:44.662,0:02:49.086
et construit une base de données de toutes[br]les informations sur les métabolites

0:02:49.110,0:02:52.238
et leurs interactions[br]avec d'autres molécules.

0:02:52.262,0:02:55.686
On a combiné toutes ces données[br]comme un méga réseau.

0:02:55.710,0:02:59.106
Ensuite, à partir des tissus [br]ou du sang de patients,

0:02:59.130,0:03:01.881
nous mesurons la masse des métabolites

0:03:01.905,0:03:05.164
et trouvons les masses qui sont changées[br]dans une maladie.

0:03:05.188,0:03:08.378
Mais, comme je l'ai dit plus tôt,[br]on ne peut les différencier.

0:03:08.402,0:03:13.537
Une masse moléculaire de 180 pourrait être[br]du glucose, du galactose ou du fructose.

0:03:13.561,0:03:15.580
Ils ont tous exactement la même masse

0:03:15.604,0:03:17.691
mais différentes fonctions dans le corps.

0:03:17.715,0:03:21.302
Notre algorithme d'IA a considéré [br]toutes ces ambiguïtés

0:03:21.326,0:03:24.062
Il a ensuite exploité ce méga réseau

0:03:24.086,0:03:28.439
pour trouver comment ces masses [br]métaboliques sont connectées entre elles

0:03:28.463,0:03:30.421
et aboutissent à une maladie.

0:03:30.445,0:03:32.683
Et grâce au type de connexion,

0:03:32.707,0:03:37.030
on est en mesure de déduire[br]la masse de chaque métabolite,

0:03:37.054,0:03:39.978
par exemple, ce 180[br]peut être du glucose ici,

0:03:40.002,0:03:42.553
et le plus important, de découvrir

0:03:42.577,0:03:45.944
comment les changements dans le glucose[br]et d'autres métabolites

0:03:45.968,0:03:47.473
conduisent à une maladie.

0:03:47.497,0:03:50.492
Cette compréhension novatrice[br]des mécanismes de maladie

0:03:50.516,0:03:55.008
nous a alors permis de découvrir des[br]traitements efficaces pour y faire face.

0:03:55.601,0:03:59.446
On a fondé une start-up pour [br]amener cette technologie sur le marché

0:03:59.470,0:04:01.275
et impacter des vies.

0:04:01.722,0:04:05.267
Maintenant mon équipe et moi à ReviveMed[br]cherchons à découvrir

0:04:05.291,0:04:10.396
des traitements pour des maladies graves[br]dont les métabolites sont la source,

0:04:10.420,0:04:12.317
telle la stéatose hépatique,

0:04:12.341,0:04:15.265
parce qu'elle est causée par[br]l'accumulation de graisses,

0:04:15.289,0:04:17.762
qui sont des types de métabolites[br]dans le foie.

0:04:17.786,0:04:21.726
Comme je le disais plus tôt, c'est un[br]grave fléau qui n'a aucun traitement.

0:04:21.750,0:04:24.474
Et la stéatose hépatique [br]n'est qu'un exemple.

0:04:24.498,0:04:28.676
À l'avenir, nous allons nous attaquer[br]à des centaines d'autres maladies

0:04:28.700,0:04:30.193
sans traitement.

0:04:30.217,0:04:34.771
Et en collectant de plus en plus[br]de données sur les métabolites

0:04:34.795,0:04:38.339
et en comprenant comment les changements[br]dans les métabolites

0:04:38.363,0:04:40.765
conduisent au développement de maladies,

0:04:40.789,0:04:44.278
nos algorithmes deviendront[br]de plus en plus intelligents

0:04:44.302,0:04:48.498
pour découvrir les traitements[br]qui conviennent selon le patient.

0:04:48.522,0:04:52.292
Et nous serons plus près[br]d'atteindre notre vision

0:04:52.316,0:04:56.179
qui est de sauver des vies[br]avec chaque ligne de code.

0:04:56.203,0:04:57.524
Merci.

0:04:57.548,0:05:01.375
(Applaudissements)