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

2
00:00:03,420 --> 00:00:06,333
quando sequenciamos o genoma humano,

3
00:00:06,357 --> 00:00:10,279
pensamos que teríamos a resposta
para tratar muitas doenças.

4
00:00:10,974 --> 00:00:13,801
Mas a realidade está bem longe,

5
00:00:14,782 --> 00:00:16,703
porque, além de nossos genes,

6
00:00:16,727 --> 00:00:21,297
nosso ambiente e estilo de vida
podem ter um papel significativo

7
00:00:21,321 --> 00:00:23,869
no desenvolvimento
de muitas doenças importantes.

8
00:00:23,893 --> 00:00:27,473
Um exemplo é a esteatose hepática,

9
00:00:27,497 --> 00:00:31,580
que afeta mais de 20%
da população mundial,

10
00:00:31,604 --> 00:00:34,638
não tem tratamento
e leva ao câncer hepático

11
00:00:34,662 --> 00:00:36,515
ou à insuficiência hepática.

12
00:00:37,517 --> 00:00:42,261
O sequenciamento do DNA por si só
não nos fornece informações suficientes

13
00:00:42,285 --> 00:00:44,517
para encontrar terapias eficazes.

14
00:00:44,541 --> 00:00:48,297
Pelo lado positivo, há muitas
outras moléculas em nosso corpo.

15
00:00:48,321 --> 00:00:52,301
De fato, há mais de 100 mil metabólitos.

16
00:00:52,325 --> 00:00:56,621
Metabólitos são quaisquer moléculas
superpequenas em tamanho.

17
00:00:57,193 --> 00:01:02,165
Exemplos conhecidos são glicose,
frutose, gorduras, colesterol,

18
00:01:02,189 --> 00:01:03,719
coisas que ouvimos o tempo todo.

19
00:01:04,273 --> 00:01:07,256
Metabólitos estão envolvidos
em nosso metabolismo.

20
00:01:08,066 --> 00:01:12,094
Também estão em regiões do DNA

21
00:01:12,118 --> 00:01:17,200
e carregam informações de nossos genes
e também de nosso estilo de vida.

22
00:01:17,224 --> 00:01:18,797
Compreender os metabólitos

23
00:01:18,817 --> 00:01:22,867
é fundamental para descobrir
tratamentos para muitas doenças.

24
00:01:22,897 --> 00:01:25,109
Sempre quis tratar pacientes.

25
00:01:25,934 --> 00:01:29,792
Apesar disso, há 15 anos,
deixei a faculdade de medicina

26
00:01:29,816 --> 00:01:31,781
pois eu sentia falta da matemática.

27
00:01:33,019 --> 00:01:35,955
Logo depois, descobri algo incrível:

28
00:01:36,692 --> 00:01:39,455
posso usar a matemática
para estudar medicina.

29
00:01:41,026 --> 00:01:46,239
Desde então, venho desenvolvendo
algoritmos para analisar dados biológicos.

30
00:01:47,092 --> 00:01:49,375
Parecia fácil:

31
00:01:49,399 --> 00:01:53,000
vamos coletar dados de todos
os metabólitos de nosso corpo,

32
00:01:53,024 --> 00:01:54,836
desenvolver modelos matemáticos


33
00:01:54,856 --> 00:01:58,146
para descrever como eles mudam
com certas doenças

34
00:01:58,176 --> 00:02:01,164
e intervir nessas mudanças para tratá-las.

35
00:02:02,488 --> 00:02:05,750
Foi aí que percebi por que
ninguém havia feito isso antes:

36
00:02:07,230 --> 00:02:08,917
é extremamente difícil.

37
00:02:08,941 --> 00:02:10,028
(Risos)

38
00:02:10,052 --> 00:02:12,374
Existem muitos metabólitos em nosso corpo.

39
00:02:12,783 --> 00:02:15,283
Cada um é diferente do outro.

40
00:02:15,307 --> 00:02:19,035
Para alguns metabólitos,
podemos medir a massa molecular

41
00:02:19,059 --> 00:02:21,652
com instrumentos
de espectrometria de massa.

42
00:02:21,676 --> 00:02:26,069
Mas, como pode haver dez moléculas
com a mesma massa,

43
00:02:26,093 --> 00:02:27,900
não sabemos exatamente o que são

44
00:02:27,924 --> 00:02:30,698
e, se quisermos identificar
todas claramente,

45
00:02:30,722 --> 00:02:33,826
teremos que fazer mais experimentos,
o que pode levar décadas

46
00:02:33,850 --> 00:02:35,394
e custar bilhões de dólares.

47
00:02:36,207 --> 00:02:40,694
Desenvolvemos uma plataforma
de inteligência artificial, ou IA,

48
00:02:40,714 --> 00:02:41,774
para fazer isso.

49
00:02:41,794 --> 00:02:44,638
Aproveitamos o crescimento
de dados biológicos

50
00:02:44,662 --> 00:02:46,140
e construímos um banco de dados

51
00:02:46,160 --> 00:02:49,090
de qualquer informação
existente sobre metabólitos

52
00:02:49,110 --> 00:02:52,238
e suas interações com outras moléculas.

53
00:02:52,262 --> 00:02:55,686
Reunimos todos esses dados
em uma megarrede.

54
00:02:55,710 --> 00:02:59,106
E a partir de tecidos
ou sangue de pacientes,

55
00:02:59,130 --> 00:03:01,881
medimos massas de metabólitos

56
00:03:01,905 --> 00:03:05,164
e encontramos as massas
que variam em uma doença.

57
00:03:05,188 --> 00:03:08,378
Mas, como mencionei antes,
não sabemos exatamente o que são.

58
00:03:08,402 --> 00:03:13,537
Uma massa molecular de 180
poderia ser glicose, galactose ou frutose.

59
00:03:13,561 --> 00:03:15,580
Todas têm exatamente a mesma massa,

60
00:03:15,604 --> 00:03:17,691
mas funções diferentes em nosso corpo.

61
00:03:17,715 --> 00:03:21,302
Nosso algoritmo de IA
considerou todas essas ambiguidades

62
00:03:21,326 --> 00:03:24,932
e explorou essa megarrede para descobrir

63
00:03:24,956 --> 00:03:28,443
as interconexões dessas massas metabólicas

64
00:03:28,463 --> 00:03:30,421
que resultam em doenças.

65
00:03:30,445 --> 00:03:32,683
Pela maneira como estão conectadas,

66
00:03:32,707 --> 00:03:37,030
conseguimos deduzir
a massa de cada metabólito -

67
00:03:37,054 --> 00:03:39,978
como, neste exemplo,
180 poderia ser glicose -

68
00:03:40,002 --> 00:03:42,553
e, mais importante, descobrir

69
00:03:42,577 --> 00:03:45,944
como mudanças na glicose
e em outros metabólitos

70
00:03:45,968 --> 00:03:47,473
levam a uma doença.

71
00:03:47,497 --> 00:03:50,492
Essa nova compreensão
dos mecanismos das doenças

72
00:03:50,516 --> 00:03:55,008
nos permite descobrir terapias
eficazes para o tratamento.

73
00:03:55,601 --> 00:03:59,446
Assim criamos uma "startup"
para levar essa tecnologia ao mercado

74
00:03:59,470 --> 00:04:01,275
e impactar a vida das pessoas.

75
00:04:01,722 --> 00:04:05,267
Agora, minha equipe e eu da ReviveMed
estamos trabalhando para descobrir

76
00:04:05,291 --> 00:04:10,400
terapias para doenças importantes
causadas por metabólitos,

77
00:04:10,420 --> 00:04:12,317
como a esteatose hepática,

78
00:04:12,341 --> 00:04:15,265
pois é causada pelo acúmulo de gorduras,

79
00:04:15,289 --> 00:04:17,762
que são tipos de metabólitos no fígado.

80
00:04:17,786 --> 00:04:19,170
Como mencionei antes,

81
00:04:19,190 --> 00:04:21,730
é uma epidemia enorme
que não tem tratamento.

82
00:04:21,750 --> 00:04:24,474
E a esteatose hepática é só um exemplo.

83
00:04:24,498 --> 00:04:28,676
No futuro, lidaremos
com centenas de outras doenças

84
00:04:28,700 --> 00:04:30,193
que não têm tratamento.

85
00:04:30,217 --> 00:04:34,771
Ao coletar cada vez mais dados
sobre metabólitos

86
00:04:34,795 --> 00:04:38,339
e entender como as mudanças
nos metabólitos

87
00:04:38,363 --> 00:04:40,765
levam ao desenvolvimento de doenças,

88
00:04:40,789 --> 00:04:44,278
nossos algoritmos ficarão
cada vez mais inteligentes

89
00:04:44,302 --> 00:04:48,498
para descobrir as terapias certas
para os pacientes certos.

90
00:04:48,522 --> 00:04:52,292
E ficaremos mais próximos
de alcançar nossa visão

91
00:04:52,316 --> 00:04:56,179
de salvar vidas com cada linha de código.

92
00:04:56,203 --> 00:04:57,524
Obrigada.

93
00:04:57,548 --> 00:04:59,545
(Aplausos)