0:00:01.507,0:00:03.396
Em 2003,

0:00:03.420,0:00:06.333
quando sequenciamos o genoma humano,

0:00:06.357,0:00:10.279
pensamos que teríamos a resposta[br]para tratar muitas doenças.

0:00:10.974,0:00:13.801
Mas a realidade está bem longe,

0:00:14.782,0:00:16.703
porque, além de nossos genes,

0:00:16.727,0:00:21.297
nosso ambiente e estilo de vida[br]podem ter um papel significativo

0:00:21.321,0:00:23.869
no desenvolvimento[br]de muitas doenças importantes.

0:00:23.893,0:00:27.473
Um exemplo é a esteatose hepática,

0:00:27.497,0:00:31.580
que afeta mais de 20%[br]da população mundial,

0:00:31.604,0:00:34.638
não tem tratamento[br]e leva ao câncer hepático

0:00:34.662,0:00:36.515
ou à insuficiência hepática.

0:00:37.517,0:00:42.261
O sequenciamento do DNA por si só[br]não nos fornece informações suficientes

0:00:42.285,0:00:44.517
para encontrar terapias eficazes.

0:00:44.541,0:00:48.297
Pelo lado positivo, há muitas[br]outras moléculas em nosso corpo.

0:00:48.321,0:00:52.301
De fato, há mais de 100 mil metabólitos.

0:00:52.325,0:00:56.621
Metabólitos são quaisquer moléculas[br]superpequenas em tamanho.

0:00:57.193,0:01:02.165
Exemplos conhecidos são glicose,[br]frutose, gorduras, colesterol,

0:01:02.189,0:01:03.719
coisas que ouvimos o tempo todo.

0:01:04.273,0:01:07.256
Metabólitos estão envolvidos[br]em nosso metabolismo.

0:01:08.066,0:01:12.094
Também estão em regiões do DNA

0:01:12.118,0:01:17.200
e carregam informações de nossos genes[br]e também de nosso estilo de vida.

0:01:17.224,0:01:18.797
Compreender os metabólitos

0:01:18.817,0:01:22.867
é fundamental para descobrir[br]tratamentos para muitas doenças.

0:01:22.897,0:01:25.109
Sempre quis tratar pacientes.

0:01:25.934,0:01:29.792
Apesar disso, há 15 anos,[br]deixei a faculdade de medicina

0:01:29.816,0:01:31.781
pois eu sentia falta da matemática.

0:01:33.019,0:01:35.955
Logo depois, descobri algo incrível:

0:01:36.692,0:01:39.455
posso usar a matemática[br]para estudar medicina.

0:01:41.026,0:01:46.239
Desde então, venho desenvolvendo[br]algoritmos para analisar dados biológicos.

0:01:47.092,0:01:49.375
Parecia fácil:

0:01:49.399,0:01:53.000
vamos coletar dados de todos[br]os metabólitos de nosso corpo,

0:01:53.024,0:01:54.836
desenvolver modelos matemáticos[br]

0:01:54.856,0:01:58.146
para descrever como eles mudam[br]com certas doenças

0:01:58.176,0:02:01.164
e intervir nessas mudanças para tratá-las.

0:02:02.488,0:02:05.750
Foi aí que percebi por que[br]ninguém havia feito isso antes:

0:02:07.230,0:02:08.917
é extremamente difícil.

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

0:02:10.052,0:02:12.374
Existem muitos metabólitos em nosso corpo.

0:02:12.783,0:02:15.283
Cada um é diferente do outro.

0:02:15.307,0:02:19.035
Para alguns metabólitos,[br]podemos medir a massa molecular

0:02:19.059,0:02:21.652
com instrumentos[br]de espectrometria de massa.

0:02:21.676,0:02:26.069
Mas, como pode haver dez moléculas[br]com a mesma massa,

0:02:26.093,0:02:27.900
não sabemos exatamente o que são

0:02:27.924,0:02:30.698
e, se quisermos identificar[br]todas claramente,

0:02:30.722,0:02:33.826
teremos que fazer mais experimentos,[br]o que pode levar décadas

0:02:33.850,0:02:35.394
e custar bilhões de dólares.

0:02:36.207,0:02:40.694
Desenvolvemos uma plataforma[br]de inteligência artificial, ou IA,

0:02:40.714,0:02:41.774
para fazer isso.

0:02:41.794,0:02:44.638
Aproveitamos o crescimento[br]de dados biológicos

0:02:44.662,0:02:46.140
e construímos um banco de dados

0:02:46.160,0:02:49.090
de qualquer informação[br]existente sobre metabólitos

0:02:49.110,0:02:52.238
e suas interações com outras moléculas.

0:02:52.262,0:02:55.686
Reunimos todos esses dados[br]em uma megarrede.

0:02:55.710,0:02:59.106
E a partir de tecidos[br]ou sangue de pacientes,

0:02:59.130,0:03:01.881
medimos massas de metabólitos

0:03:01.905,0:03:05.164
e encontramos as massas[br]que variam em uma doença.

0:03:05.188,0:03:08.378
Mas, como mencionei antes,[br]não sabemos exatamente o que são.

0:03:08.402,0:03:13.537
Uma massa molecular de 180[br]poderia ser glicose, galactose ou frutose.

0:03:13.561,0:03:15.580
Todas têm exatamente a mesma massa,

0:03:15.604,0:03:17.691
mas funções diferentes em nosso corpo.

0:03:17.715,0:03:21.302
Nosso algoritmo de IA[br]considerou todas essas ambiguidades

0:03:21.326,0:03:24.932
e explorou essa megarrede para descobrir

0:03:24.956,0:03:28.443
as interconexões dessas massas metabólicas

0:03:28.463,0:03:30.421
que resultam em doenças.

0:03:30.445,0:03:32.683
Pela maneira como estão conectadas,

0:03:32.707,0:03:37.030
conseguimos deduzir[br]a massa de cada metabólito -

0:03:37.054,0:03:39.978
como, neste exemplo,[br]180 poderia ser glicose -

0:03:40.002,0:03:42.553
e, mais importante, descobrir

0:03:42.577,0:03:45.944
como mudanças na glicose[br]e em outros metabólitos

0:03:45.968,0:03:47.473
levam a uma doença.

0:03:47.497,0:03:50.492
Essa nova compreensão[br]dos mecanismos das doenças

0:03:50.516,0:03:55.008
nos permite descobrir terapias[br]eficazes para o tratamento.

0:03:55.601,0:03:59.446
Assim criamos uma "startup"[br]para levar essa tecnologia ao mercado

0:03:59.470,0:04:01.275
e impactar a vida das pessoas.

0:04:01.722,0:04:05.267
Agora, minha equipe e eu da ReviveMed[br]estamos trabalhando para descobrir

0:04:05.291,0:04:10.400
terapias para doenças importantes[br]causadas por metabólitos,

0:04:10.420,0:04:12.317
como a esteatose hepática,

0:04:12.341,0:04:15.265
pois é causada pelo acúmulo de gorduras,

0:04:15.289,0:04:17.762
que são tipos de metabólitos no fígado.

0:04:17.786,0:04:19.170
Como mencionei antes,

0:04:19.190,0:04:21.730
é uma epidemia enorme[br]que não tem tratamento.

0:04:21.750,0:04:24.474
E a esteatose hepática é só um exemplo.

0:04:24.498,0:04:28.676
No futuro, lidaremos[br]com centenas de outras doenças

0:04:28.700,0:04:30.193
que não têm tratamento.

0:04:30.217,0:04:34.771
Ao coletar cada vez mais dados[br]sobre metabólitos

0:04:34.795,0:04:38.339
e entender como as mudanças[br]nos metabólitos

0:04:38.363,0:04:40.765
levam ao desenvolvimento de doenças,

0:04:40.789,0:04:44.278
nossos algoritmos ficarão[br]cada vez mais inteligentes

0:04:44.302,0:04:48.498
para descobrir as terapias certas[br]para os pacientes certos.

0:04:48.522,0:04:52.292
E ficaremos mais próximos[br]de alcançar nossa visão

0:04:52.316,0:04:56.179
de salvar vidas com cada linha de código.

0:04:56.203,0:04:57.524
Obrigada.

0:04:57.548,0:04:59.545
(Aplausos)