0:00:01.507,0:00:03.396 2003 yılında, 0:00:03.420,0:00:06.333 insan genomunu düzenlediğimizde 0:00:06.357,0:00:10.279 birçok hastalığın tedavisini[br]bulacağımızı düşünmüştük. 0:00:10.974,0:00:13.631 Fakat gerçekler bundan daha farklı 0:00:14.782,0:00:16.703 çünkü genlerimizin yanı sıra 0:00:16.727,0:00:21.297 ciddi hastalıklara yakalanmamızda[br]çevrenin ve yaşam biçiminin de 0:00:21.321,0:00:23.869 büyük rolü var. 0:00:23.893,0:00:27.473 Bunun bir örneği[br]yağlı karaciğer hastalığı, 0:00:27.497,0:00:31.580 bütün dünyanın %20'sini[br]etkileyen bir hastalık, 0:00:31.604,0:00:34.408 hiçbir tedavisi yok ve karaciğer kanserine 0:00:34.408,0:00:36.305 veya karaciğer yetmezliğine yol açıyor. 0:00:37.517,0:00:42.261 Yani DNA dizisi bize [br]etkili tedavi bulmak için 0:00:42.285,0:00:44.517 yeterli bilgi vermez. 0:00:44.541,0:00:48.297 Olumlu yönden bakarsak vücudumuzda[br]birçok diğer molekül bulunmakta. 0:00:48.321,0:00:52.301 Hatta 100.000'den fazla metabolit mevcut. 0:00:52.325,0:00:56.621 Metabolitler, çok küçük moleküllerdir. 0:00:57.193,0:01:02.165 Bilinen örnekleri glikoz,[br]fruktoz, yağlar, kolesterol. 0:01:02.189,0:01:03.699 Her zaman duyduğumuz şeyler. 0:01:04.273,0:01:07.256 Metabolitlerin [br]metabolizmada işlevleri var. 0:01:08.066,0:01:12.094 Ayrıca DNA'nın birer parçası, 0:01:12.118,0:01:17.200 yani hem genlerimiz hem de[br]yaşam tarzımız ile ilgili bilgi taşırlar. 0:01:17.224,0:01:22.873 Metabolitleri anlamak, birçok hastalığa[br]tedavi bulmak için önemli. 0:01:22.897,0:01:25.109 Her zaman hastaları [br]tedavi etmek istemiştim. 0:01:25.934,0:01:29.792 Buna rağmen 15 yıl önce[br]tıp okulundan ayrıldım 0:01:29.816,0:01:31.781 çünkü matematiği özlemiştim. 0:01:33.019,0:01:35.955 Kısa bir süre sonra[br]çok güzel bir şey öğrendim. 0:01:36.692,0:01:39.455 Tıp alanında çalışmak için[br]matematik kullanabilirdim. 0:01:41.026,0:01:46.239 O zamandan beri biyolojik veri[br]analizi için algoritmalar geliştiriyorum. 0:01:47.092,0:01:49.375 Sözde kulağa kolay geliyor: 0:01:49.399,0:01:53.000 Hadi bütün vücudumuzdaki[br]metabolitlerden bilgi toplayalım, 0:01:53.024,0:01:58.152 bir hastalıkta nasıl değiştiklerini[br]açıklayan matematiksel modeller yapalım 0:01:58.176,0:02:01.164 ve bu değişikliklere engel olarak[br]hastalığı tedavi edelim. 0:02:02.488,0:02:05.960 Sonra neden bunu daha önce[br]kimsenin denemediğini anladım, 0:02:07.230,0:02:08.917 bu aşırı derecede zor bir iş. 0:02:08.941,0:02:10.028 (Gülüşmeler) 0:02:10.052,0:02:12.464 Vücudumuzda çok fazla metabolit var. 0:02:12.783,0:02:15.283 Her biri birbirinden farklı. 0:02:15.307,0:02:18.745 Bazı metabolitlerin kütlesini, 0:02:18.745,0:02:21.676 kütle spektrometresi aletleri[br]kullanarak hesaplayabiliyoruz. 0:02:21.676,0:02:26.069 Ama aynı kütleye sahip olan diyelim ki[br]10 tane molekül olabileceği için 0:02:26.093,0:02:27.900 tam olarak ne olduklarını bilmiyoruz 0:02:27.924,0:02:30.698 ve eğer hepsini tek tek [br]ayırt etmek istiyorsak 0:02:30.722,0:02:33.826 daha çok deneyler yapmamız gerekir,[br]bu da onlarca yıla 0:02:33.850,0:02:35.564 ve milyarlarca dolara mal olur. 0:02:36.207,0:02:41.770 Biz de bunu yapması için bir yapay zekâ[br]ya da AI platformu geliştirdik. 0:02:41.794,0:02:44.638 Biyolojik verinin büyümesine[br]katkıda bulunduk, 0:02:44.662,0:02:49.086 metabolitlerle ve onların diğer[br]moleküllerle tepkimelerini kapsayan 0:02:49.110,0:02:52.238 her bilgiyle bir veri tabanı oluşturduk. 0:02:52.262,0:02:55.686 Bu verinin hepsini bir mega ağda topladık. 0:02:55.710,0:02:59.106 Sonrasında dokudan[br]veya hastalarımızın kanından, 0:02:59.130,0:03:01.881 metabolitlerin kütlelerini hesapladık 0:03:01.905,0:03:05.164 ve bir hastalıkta[br]değişen kütleleri bulduk. 0:03:05.164,0:03:08.402 Ama önceden de belirttiğim gibi[br]tam olarak ne olduklarını bilmiyoruz. 0:03:08.402,0:03:13.537 Moleküler kütlesi 180 ise[br]glukoz, galaktoz veya fruktoz olabilir. 0:03:13.561,0:03:15.580 Hepsinin kütlesi aynı 0:03:15.604,0:03:17.691 fakat işlevi farklı. 0:03:17.715,0:03:21.302 Bizim yapay zekâ algoritmamız[br]bu belirsizlikleri göze alıyor. 0:03:21.326,0:03:24.062 Sonra da mega ağın derinliklerine inip 0:03:24.086,0:03:28.439 hastalığa sebep olan metabolik kütlelerin 0:03:28.463,0:03:30.421 birbirlerine bağlantısını buluyor. 0:03:30.445,0:03:32.683 Ve bağlanma şekillerinden yola çıkarak 0:03:32.707,0:03:37.030 her metabolitin kütlesini bulabiliyoruz, 0:03:37.054,0:03:39.978 mesela buradaki 180 glukoz olabilir 0:03:40.002,0:03:44.455 ve daha da önemlisi glukoz[br]ve diğer metabolitlerdeki değişimlerin 0:03:44.455,0:03:47.473 nasıl hastalıklara[br]yol açtığını keşfediyoruz. 0:03:47.497,0:03:50.492 Hastalık mekanizmasına olan[br]yeni anlayışımız da 0:03:50.516,0:03:55.008 onu hedef alan tedaviler[br]geliştirmemize olanak sağlıyor. 0:03:55.601,0:03:59.446 Biz de bu teknolojiyi markete sunmak[br]ve insanların hayatlarını etkilemek 0:03:59.470,0:04:01.275 amacıyla bir şirket oluşturduk. 0:04:01.722,0:04:05.267 Şimdi benim takımım ve ben,[br]ReviveMed'te metabolitlerin 0:04:05.291,0:04:10.396 ana sorun olduğu hastalıklara[br]tedavi bulmak için çalışıyoruz, 0:04:10.420,0:04:12.317 mesela yağlı karaciğer hastalığı gibi 0:04:12.341,0:04:15.265 çünkü bu hastalık, karaciğerdeki[br]metabolit tipleri olan 0:04:15.289,0:04:17.762 yağların birikmesi ile ortaya çıkar. 0:04:17.786,0:04:21.726 Daha önce de bahsettiğim gibi bu,[br]tedavisi olmayan çok yaygın bir hastalık. 0:04:21.750,0:04:24.474 Ve yağlı karaciğer hastalığı[br]sadece bir örnek. 0:04:24.498,0:04:29.656 İleride, tedavisi olmayan[br]birçok hastalığı ele alacağız. 0:04:30.217,0:04:34.771 Ve metabolitler hakkında [br]daha çok veri topladıkça 0:04:34.795,0:04:40.238 ve metabolitlerdeki değişimin[br]nasıl hastalığa dönüştüğünü anladıkça 0:04:40.789,0:04:44.278 algoritmamız daha da zeki olacak 0:04:44.302,0:04:48.498 ve doğru hastalar için[br]doğru tedavileri keşfedecek. 0:04:48.522,0:04:52.292 Ve yazdığımız her bir satır kod ile 0:04:52.316,0:04:56.179 hayat kurtarma amacımıza[br]daha çok yaklaşmış olacağız. 0:04:56.203,0:04:57.524 Teşekkür ederim. 0:04:57.548,0:05:01.375 (Alkışlar)