WEBVTT

00:00:01.407 --> 00:00:03.366
Em 2003,

00:00:03.386 --> 00:00:06.141
quando sequenciámos o genoma humano,

00:00:06.171 --> 00:00:10.358
pensámos que teríamos a resposta
para tratar muitas doenças.

00:00:10.974 --> 00:00:14.101
Mas a realidade está muito longe disso,

00:00:14.552 --> 00:00:16.893
porque, para além dos nossos genes,

00:00:16.927 --> 00:00:21.237
o nosso ambiente e estilo de vida
podem ter um papel significativo

00:00:21.321 --> 00:00:24.099
no desenvolvimento de muitas doenças.

NOTE Paragraph

00:00:24.127 --> 00:00:27.617
Um exemplo é a doença hepática gordurosa,

00:00:27.667 --> 00:00:31.730
que afeta mais de 20%
da população, a nível mundial,

00:00:31.764 --> 00:00:34.728
não tem tratamento
e pode resultar em cancro do fígado

00:00:34.732 --> 00:00:36.995
ou insuficiência hepática.

00:00:37.567 --> 00:00:42.261
Apenas sequenciar o ADN
não nos dá informação suficiente

00:00:42.285 --> 00:00:44.677
para encontrar tratamentos eficazes.

NOTE Paragraph

00:00:44.761 --> 00:00:48.297
Pelo lado positivo, o nosso corpo
possui muitas outras moléculas.

00:00:48.461 --> 00:00:52.301
Na verdade, 
há mais de 100 mil metabólitos.

00:00:52.385 --> 00:00:56.621
Os metabólitos são moléculas
extremamente pequenas,

00:00:57.193 --> 00:01:02.084
como a glucose, a frutose,
os lipídios, o colesterol...

00:01:02.189 --> 00:01:04.188
coisas de que ouvimos falar a toda a hora.

00:01:04.273 --> 00:01:07.626
Os metabólitos estão envolvidos
no nosso metabolismo.

00:01:08.066 --> 00:01:12.146
Também estão por todo o ADN,

00:01:12.146 --> 00:01:14.084
por isso possuem informações

00:01:14.084 --> 00:01:17.274
dos nossos genes
e do nosso estilo de vida.

00:01:17.514 --> 00:01:20.206
Entender os metabólitos é essencial

00:01:20.217 --> 00:01:23.127
para encontrar tratamento
para muitas doenças.

NOTE Paragraph

00:01:23.177 --> 00:01:25.659
Eu sempre quis tratar pacientes.

00:01:25.934 --> 00:01:29.922
Mas, há 15 anos,
abandonei a faculdade de medicina,

00:01:29.956 --> 00:01:32.451
porque reprovei a matemática.

00:01:33.019 --> 00:01:36.353
Pouco tempo depois,
descobri uma coisa impressionante:

00:01:36.762 --> 00:01:40.147
eu podia usar matemática
para estudar medicina.

00:01:41.176 --> 00:01:46.376
Desde então tenho criado algoritmos
para analisar dados biológicos.

00:01:47.152 --> 00:01:49.135
Parecia fácil,

00:01:49.399 --> 00:01:53.000
vamos reunir dados de todos 
os metabólitos do nosso corpo,

00:01:53.024 --> 00:01:58.172
criar modelos matemáticos para mostrar
como as doenças os alteram

00:01:58.206 --> 00:02:01.737
e intervir nessas alterações
para as tratar.

NOTE Paragraph

00:02:02.488 --> 00:02:06.237
Então percebi porque é
que ninguém tinha feito isso antes.

00:02:07.230 --> 00:02:08.917
É muito difícil.

NOTE Paragraph

00:02:08.941 --> 00:02:10.198
(Risos)

NOTE Paragraph

00:02:10.252 --> 00:02:12.747
Há muitos metabólitos no nosso corpo.

00:02:12.783 --> 00:02:15.283
Todos diferentes uns dos outros.

00:02:15.307 --> 00:02:19.035
Para alguns metabólitos,
podemos medir a sua massa molecular

00:02:19.059 --> 00:02:21.872
utilizando instrumentos
de espetrometria de massa.

00:02:21.896 --> 00:02:26.069
Mas como pode haver 10 moléculas
exatamente com a mesma massa,

00:02:26.093 --> 00:02:28.120
não sabemos exatamente quais são,

00:02:28.124 --> 00:02:30.888
e se quisermos identificar todas,

00:02:30.912 --> 00:02:33.916
temos de fazer experiências
que podem durar décadas

00:02:33.950 --> 00:02:36.254
e custar milhares de milhões de dólares.

NOTE Paragraph

00:02:36.297 --> 00:02:41.530
Então desenvolvemos uma plataforma
de inteligência artificial, para isso.

00:02:41.924 --> 00:02:44.898
Aproveitámos o crescimento 
dos dados biológicos

00:02:44.922 --> 00:02:49.220
e criámos uma base de dados com
todas as informações dos metabólitos

00:02:49.240 --> 00:02:52.428
e as suas interações com outras moléculas.

00:02:52.452 --> 00:02:55.686
Reunimos todos esses dados
numa megarede.

00:02:55.710 --> 00:02:59.106
Depois, a partir de tecidos
ou do sangue dos pacientes,

00:02:59.130 --> 00:03:01.881
medimos a massa dos metabólitos

00:03:01.905 --> 00:03:05.364
e descobrimos as massas
que são alteradas na doença.

00:03:05.408 --> 00:03:08.578
Mas como disse antes,
não sabemos exatamente quais são.

00:03:08.632 --> 00:03:13.537
Uma massa molecular de 180 pode ser
glucose, galactose ou frutose.

00:03:13.561 --> 00:03:15.820
Todas elas têm a mesma massa.

00:03:15.834 --> 00:03:17.971
mas diferentes funções
no nosso organismo.

00:03:17.985 --> 00:03:21.302
O nosso algoritmo de IA
considerou todas essas ambiguidades.

00:03:21.386 --> 00:03:24.062
Depois procurou padrões nessa megarede

00:03:24.086 --> 00:03:28.439
para descobrir como essas massas
metabólicas se ligam umas às outras

00:03:28.463 --> 00:03:30.421
para causarem doenças.

00:03:30.495 --> 00:03:32.833
Ao saber como estão ligadas,

00:03:32.847 --> 00:03:37.030
podemos deduzir qual
é a massa do metabólito

00:03:37.144 --> 00:03:40.128
— como esse 180 aqui
poderá ser glucose —

00:03:40.182 --> 00:03:42.633
e mais importante, descobrir

00:03:42.657 --> 00:03:45.844
como as alterações na glucose
e noutros metabólitos

00:03:45.968 --> 00:03:47.743
conduzem a uma doença.

00:03:47.777 --> 00:03:50.748
Esta nova compreensão
dos mecanismos das doenças

00:03:50.748 --> 00:03:55.237
vai-nos permitir explorar
terapias eficazes para as tratar.

NOTE Paragraph

00:03:55.601 --> 00:03:59.506
Então formámos uma "startup"
para levar esta tecnologia para o mercado

00:03:59.560 --> 00:04:01.685
e causar impacto na vida das pessoas.

00:04:01.722 --> 00:04:05.267
Eu e a minha equipa na ReviveMed
estamos a trabalhar para descobrir

00:04:05.291 --> 00:04:10.121
terapias para as principais doenças
da responsabilidade de metabólitos,

00:04:10.420 --> 00:04:12.477
como a doença hepática gordurosa,

00:04:12.521 --> 00:04:15.379
pois é causada pela acumulação de gorduras

00:04:15.409 --> 00:04:18.012
que são tipos de metabólitos no fígado.

00:04:18.075 --> 00:04:21.726
Como já disse, é uma grande
epidemia sem tratamento.

NOTE Paragraph

00:04:21.870 --> 00:04:24.614
A doença hepática gordurosa
é apenas um exemplo.

00:04:24.678 --> 00:04:28.676
No futuro, iremos combater
centenas de outras doenças

00:04:28.700 --> 00:04:30.393
sem tratamento.

00:04:30.457 --> 00:04:34.771
Ao reunir cada vez mais dados
sobre metabólitos

00:04:34.795 --> 00:04:38.339
e compreender como as alterações
nos metabólitos

00:04:38.363 --> 00:04:40.765
causam as doenças,

00:04:40.789 --> 00:04:44.328
os nossos algoritmos ficam
cada vez mais inteligentes

00:04:44.392 --> 00:04:48.408
para descobrir as terapias certas
para os pacientes certos.

00:04:48.522 --> 00:04:52.292
E vamos conseguir aproximar-nos
da nossa visão

00:04:52.316 --> 00:04:56.089
de salvar vidas com cada
linha de código.

NOTE Paragraph

00:04:56.203 --> 00:04:57.524
Obrigada.

NOTE Paragraph

00:04:57.548 --> 00:05:01.375
(Aplausos)