2003 yılında,
insan genomunu düzenlediğimizde
birçok hastalığın tedavisini
bulacağımızı düşünmüştük.
Fakat gerçekler bundan daha farklı
çünkü genlerimizin yanı sıra
ciddi hastalıklara yakalanmamızda
çevrenin ve yaşam biçiminin de
büyük rolü var.
Bunun bir örneği
yağlı karaciğer hastalığı,
bütün dünyanın %20'sini
etkileyen bir hastalık,
hiçbir tedavisi yok ve karaciğer kanserine
veya karaciğer yetmezliğine yol açıyor.
Yani DNA dizisi bize
etkili tedavi bulmak için
yeterli bilgi vermez.
Olumlu yönden bakarsak vücudumuzda
birçok diğer molekül bulunmakta.
Hatta 100.000'den fazla metabolit mevcut.
Metabolitler, çok küçük moleküllerdir.
Bilinen örnekleri glikoz,
fruktoz, yağlar, kolesterol.
Her zaman duyduğumuz şeyler.
Metabolitlerin
metabolizmada işlevleri var.
Ayrıca DNA'nın birer parçası,
yani hem genlerimiz hem de
yaşam tarzımız ile ilgili bilgi taşırlar.
Metabolitleri anlamak, birçok hastalığa
tedavi bulmak için önemli.
Her zaman hastaları
tedavi etmek istemiştim.
Buna rağmen 15 yıl önce
tıp okulundan ayrıldım
çünkü matematiği özlemiştim.
Kısa bir süre sonra
çok güzel bir şey öğrendim.
Tıp alanında çalışmak için
matematik kullanabilirdim.
O zamandan beri biyolojik veri
analizi için algoritmalar geliştiriyorum.
Sözde kulağa kolay geliyor:
Hadi bütün vücudumuzdaki
metabolitlerden bilgi toplayalım,
bir hastalıkta nasıl değiştiklerini
açıklayan matematiksel modeller yapalım
ve bu değişikliklere engel olarak
hastalığı tedavi edelim.
Sonra neden bunu daha önce
kimsenin denemediğini anladım,
bu aşırı derecede zor bir iş.
(Gülüşmeler)
Vücudumuzda çok fazla metabolit var.
Her biri birbirinden farklı.
Bazı metabolitlerin kütlesini,
kütle spektrometresi aletleri
kullanarak hesaplayabiliyoruz.
Ama aynı kütleye sahip olan diyelim ki
10 tane molekül olabileceği için
tam olarak ne olduklarını bilmiyoruz
ve eğer hepsini tek tek
ayırt etmek istiyorsak
daha çok deneyler yapmamız gerekir,
bu da onlarca yıla
ve milyarlarca dolara mal olur.
Biz de bunu yapması için bir yapay zekâ
ya da AI platformu geliştirdik.
Biyolojik verinin büyümesine
katkıda bulunduk,
metabolitlerle ve onların diğer
moleküllerle tepkimelerini kapsayan
her bilgiyle bir veri tabanı oluşturduk.
Bu verinin hepsini bir mega ağda topladık.
Sonrasında dokudan
veya hastalarımızın kanından,
metabolitlerin kütlelerini hesapladık
ve bir hastalıkta
değişen kütleleri bulduk.
Ama önceden de belirttiğim gibi
tam olarak ne olduklarını bilmiyoruz.
Moleküler kütlesi 180 ise
glukoz, galaktoz veya fruktoz olabilir.
Hepsinin kütlesi aynı
fakat işlevi farklı.
Bizim yapay zekâ algoritmamız
bu belirsizlikleri göze alıyor.
Sonra da mega ağın derinliklerine inip
hastalığa sebep olan metabolik kütlelerin
birbirlerine bağlantısını buluyor.
Ve bağlanma şekillerinden yola çıkarak
her metabolitin kütlesini bulabiliyoruz,
mesela buradaki 180 glukoz olabilir
ve daha da önemlisi glukoz
ve diğer metabolitlerdeki değişimlerin
nasıl hastalıklara
yol açtığını keşfediyoruz.
Hastalık mekanizmasına olan
yeni anlayışımız da
onu hedef alan tedaviler
geliştirmemize olanak sağlıyor.
Biz de bu teknolojiyi markete sunmak
ve insanların hayatlarını etkilemek
amacıyla bir şirket oluşturduk.
Şimdi benim takımım ve ben,
ReviveMed'te metabolitlerin
ana sorun olduğu hastalıklara
tedavi bulmak için çalışıyoruz,
mesela yağlı karaciğer hastalığı gibi
çünkü bu hastalık, karaciğerdeki
metabolit tipleri olan
yağların birikmesi ile ortaya çıkar.
Daha önce de bahsettiğim gibi bu,
tedavisi olmayan çok yaygın bir hastalık.
Ve yağlı karaciğer hastalığı
sadece bir örnek.
İleride, tedavisi olmayan
birçok hastalığı ele alacağız.
Ve metabolitler hakkında
daha çok veri topladıkça
ve metabolitlerdeki değişimin
nasıl hastalığa dönüştüğünü anladıkça
algoritmamız daha da zeki olacak
ve doğru hastalar için
doğru tedavileri keşfedecek.
Ve yazdığımız her bir satır kod ile
hayat kurtarma amacımıza
daha çok yaklaşmış olacağız.
Teşekkür ederim.
(Alkışlar)