1
00:00:01,507 --> 00:00:03,396
2003-ban,

2
00:00:03,420 --> 00:00:06,333
amikor szekvenáltuk az emberi genomot,

3
00:00:06,357 --> 00:00:10,279
azt gondoltuk, hogy megkapjuk a választ
számos betegség kezelésére,

4
00:00:10,974 --> 00:00:13,631
de a valóság távol áll ettől,

5
00:00:14,782 --> 00:00:16,703
mert a génjeink mellett

6
00:00:16,727 --> 00:00:21,297
környezetünk és életmódunk is
jelentős szerepet játszik

7
00:00:21,321 --> 00:00:23,869
a főbb betegségek kialakulásában.

8
00:00:23,893 --> 00:00:27,473
Az egyik példa a zsírmáj,

9
00:00:27,497 --> 00:00:31,580
ami a világ népességének
több mint 20 százalékát érinti,

10
00:00:31,604 --> 00:00:34,638
nincs gyógymódja, és májrákhoz

11
00:00:34,662 --> 00:00:36,395
vagy májelégtelenséghez vezet.

12
00:00:37,517 --> 00:00:42,261
Tehát csak a DNS szekvenálása
nem ad elegendő információt ahhoz,

13
00:00:42,285 --> 00:00:44,517
hogy hatékony terápiákat találjunk.

14
00:00:44,541 --> 00:00:48,297
A jó hír, hogy sok más molekula is,

15
00:00:48,321 --> 00:00:52,301
valójában több mint 100 000 metabolit
található a testünkben.

16
00:00:52,325 --> 00:00:56,621
A metabolitok rendkívül
kis méretű molekulák.

17
00:00:57,193 --> 00:01:02,165
Ismert példák a glükóz,
a fruktóz, a zsírok, a koleszterin –

18
00:01:02,189 --> 00:01:03,699
ezekről állandóan hallunk.

19
00:01:04,273 --> 00:01:07,256
A metabolitok részt vesznek
az anyagcserénkben.

20
00:01:08,066 --> 00:01:12,094
Ezek úgyszintén a DNS
gyakorlati megvalósulásai,

21
00:01:12,118 --> 00:01:17,200
tehát információkat hordoznak
génjeinkről és életmódunkról.

22
00:01:17,224 --> 00:01:22,873
A metabolitok megértése sok betegségnél
szükséges a gyógymód megtalálásához.

23
00:01:22,897 --> 00:01:25,109
Mindig betegeket akartam kezelni.

24
00:01:25,934 --> 00:01:29,792
Ennek ellenére 15 évvel ezelőtt
otthagytam az orvosi iskolát,

25
00:01:29,816 --> 00:01:31,781
mivel hiányzott a matematika.

26
00:01:33,019 --> 00:01:35,955
Nem sokkal ezután
rátaláltam a legmenőbb dologra:

27
00:01:36,692 --> 00:01:40,000
Tudom használni a matematikát
az orvostudomány tanulmányozására.

28
00:01:41,026 --> 00:01:46,239
Azóta algoritmusokat fejlesztek
biológiai adatok elemzésére.

29
00:01:47,092 --> 00:01:49,375
Ez könnyűnek tűnt:

30
00:01:49,399 --> 00:01:53,000
gyűjtsünk adatokat
a testben levő összes metabolitról,

31
00:01:53,024 --> 00:01:58,152
írjuk le matematikai modellekkel,
hogyan változnak meg egy betegség során,

32
00:01:58,176 --> 00:02:01,164
és avatkozzunk be
ezekbe a változásokba, kezeljük őket.

33
00:02:02,488 --> 00:02:05,960
Aztán rájöttem, miért nem
foglalkozott ezzel még senki:

34
00:02:07,230 --> 00:02:08,917
mert rendkívül nehéz.

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

36
00:02:10,052 --> 00:02:12,464
A szervezetben sok metabolit található.

37
00:02:12,783 --> 00:02:15,283
Mindegyik különbözik a másiktól.

38
00:02:15,307 --> 00:02:19,035
Egyes metabolitok molekulatömege

39
00:02:19,059 --> 00:02:21,652
mérhető tömegspektrometriás eszközökkel.

40
00:02:21,676 --> 00:02:26,069
De mivel akár 10 molekulának is lehet
pontosan ugyanakkora a tömege,

41
00:02:26,093 --> 00:02:27,900
nem tudjuk pontosan, melyek azok,

42
00:02:27,924 --> 00:02:30,698
és az egyértelmű beazonosításhoz
több kísérlet kéne,

43
00:02:30,722 --> 00:02:33,826
ez pedig évtizedeket

44
00:02:33,850 --> 00:02:35,564
és dollármilliárdokat venne igénybe.

45
00:02:36,207 --> 00:02:41,770
Tehát kifejlesztettünk rá
egy mesterséges intelligenciát.

46
00:02:41,794 --> 00:02:44,638
Kihasználtuk a biológiai adatok
szüntelen gyarapodását,

47
00:02:44,662 --> 00:02:49,086
és felépítettünk egy adatbázist
a metabolitokról meglévő információkból,

48
00:02:49,110 --> 00:02:52,238
és kölcsönhatásukról más molekulákkal.

49
00:02:52,262 --> 00:02:55,686
Egy megahálózatban összesítettük
ezeket az adatokat.

50
00:02:55,710 --> 00:02:59,106
Ezután a betegek szöveteiből vagy véréből

51
00:02:59,130 --> 00:03:01,881
megmérjük a metabolitok tömegét,

52
00:03:01,905 --> 00:03:05,188
és megkeressük azokat a tömegeket,
amelyek megváltoztak a betegségben.

53
00:03:05,188 --> 00:03:08,378
De, ahogy korábban is említettem,
nem tudjuk pontosan, melyek azok.

54
00:03:08,402 --> 00:03:13,537
A 180-as molekulatömeg
lehet glükóz, galaktóz vagy fruktóz is.

55
00:03:13,537 --> 00:03:15,510
Mindegyik pontosan egyforma tömegű,

56
00:03:15,510 --> 00:03:17,715
de különböző funkciókat
látnak el a testünkben.

57
00:03:17,715 --> 00:03:21,302
Az MI algoritmusunk
figyelembe vette mindezt.

58
00:03:21,326 --> 00:03:24,062
Ezután átnézte a megahálózatot,

59
00:03:24,086 --> 00:03:28,439
hogy megtudja, ezek a metabolikus tömegek
hogyan kapcsolódnak egymáshoz,

60
00:03:28,463 --> 00:03:30,421
hogyan vezetnek betegséghez.

61
00:03:30,445 --> 00:03:32,683
A kapcsolódásuk módjából

62
00:03:32,707 --> 00:03:37,030
képesek vagyunk következtetni arra,
mik is ezek a metabolitok,

63
00:03:37,054 --> 00:03:39,978
hogy a 180-as tömegű itt glükóz lehet,

64
00:03:40,002 --> 00:03:42,553
és ami még fontosabb, hogy felfedezzük,

65
00:03:42,577 --> 00:03:45,944
a glükóz és más metabolitok változása

66
00:03:45,968 --> 00:03:47,473
hogyan vezet betegséghez.

67
00:03:47,497 --> 00:03:50,492
A betegségmechanizmusok
ezen újszerű megértése lehetővé teszi,

68
00:03:50,516 --> 00:03:55,008
hogy hatékony terápiás gyógyszereket
fejlesszünk ki a kezeléshez.

69
00:03:55,601 --> 00:03:59,446
Létrehoztunk egy induló vállalkozást,
hogy ezt a technológiát forgalomba hozzuk,

70
00:03:59,470 --> 00:04:01,525
és hatással legyünk az emberek életére.

71
00:04:01,722 --> 00:04:05,267
Jelenleg csapatommal a ReviveMednél
a fő betegségek kezelését fejlesztjük,

72
00:04:05,291 --> 00:04:10,396
melynek során a metabolitok
kulcsfontosságú szerepet játszanak,

73
00:04:10,420 --> 00:04:12,317
mint például a zsírmáj,

74
00:04:12,341 --> 00:04:15,265
melyet a zsírok felhalmozódása okoz,

75
00:04:15,289 --> 00:04:17,762
amelyek a máj metabolittípusai.

76
00:04:17,786 --> 00:04:21,726
Ahogy korábban említettem,
ez elterjedt betegség, gyógymód nélkül.

77
00:04:21,750 --> 00:04:24,474
A zsírmáj csak egy példa erre.

78
00:04:24,498 --> 00:04:26,056
Ahogy haladunk előre,

79
00:04:26,056 --> 00:04:30,193
ma még gyógyíthatatlan betegségek
százait fogjuk tudni kezelni.

80
00:04:30,217 --> 00:04:34,771
Majd ahogy egyre több
metabolitadatot gyűjtünk,

81
00:04:34,795 --> 00:04:38,339
és megértjük, hogy a metabolitok változása

82
00:04:38,363 --> 00:04:40,765
hogyan vezet betegségek kifejlődéséhez,

83
00:04:40,789 --> 00:04:44,278
algoritmusaink egyre okosabbak

84
00:04:44,302 --> 00:04:48,498
a betegek számára megfelelő
kezelések kifejlesztésében.

85
00:04:48,522 --> 00:04:52,292
És egyre közelebb kerülünk
ahhoz az elképzelésünkhöz,

86
00:04:52,316 --> 00:04:56,179
hogy minden kódsorral életeket mentsünk.

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

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