1 00:00:01,507 --> 00:00:03,396 2003 yılında, 2 00:00:03,420 --> 00:00:06,333 insan genomunu düzenlediğimizde 3 00:00:06,357 --> 00:00:10,279 birçok hastalığın tedavisini bulacağımızı düşünmüştük. 4 00:00:10,974 --> 00:00:13,631 Fakat gerçekler bundan daha farklı 5 00:00:14,782 --> 00:00:16,703 çünkü genlerimizin yanı sıra 6 00:00:16,727 --> 00:00:21,297 ciddi hastalıklara yakalanmamızda çevrenin ve yaşam biçiminin de 7 00:00:21,321 --> 00:00:23,869 büyük rolü var. 8 00:00:23,893 --> 00:00:27,473 Bunun bir örneği yağlı karaciğer hastalığı, 9 00:00:27,497 --> 00:00:31,580 bütün dünyanın %20'sini etkileyen bir hastalık, 10 00:00:31,604 --> 00:00:34,408 hiçbir tedavisi yok ve karaciğer kanserine 11 00:00:34,408 --> 00:00:36,305 veya karaciğer yetmezliğine yol açıyor. 12 00:00:37,517 --> 00:00:42,261 Yani DNA dizisi bize etkili tedavi bulmak için 13 00:00:42,285 --> 00:00:44,517 yeterli bilgi vermez. 14 00:00:44,541 --> 00:00:48,297 Olumlu yönden bakarsak vücudumuzda birçok diğer molekül bulunmakta. 15 00:00:48,321 --> 00:00:52,301 Hatta 100.000'den fazla metabolit mevcut. 16 00:00:52,325 --> 00:00:56,621 Metabolitler, çok küçük moleküllerdir. 17 00:00:57,193 --> 00:01:02,165 Bilinen örnekleri glikoz, fruktoz, yağlar, kolesterol. 18 00:01:02,189 --> 00:01:03,699 Her zaman duyduğumuz şeyler. 19 00:01:04,273 --> 00:01:07,256 Metabolitlerin metabolizmada işlevleri var. 20 00:01:08,066 --> 00:01:12,094 Ayrıca DNA'nın birer parçası, 21 00:01:12,118 --> 00:01:17,200 yani hem genlerimiz hem de yaşam tarzımız ile ilgili bilgi taşırlar. 22 00:01:17,224 --> 00:01:22,873 Metabolitleri anlamak, birçok hastalığa tedavi bulmak için önemli. 23 00:01:22,897 --> 00:01:25,109 Her zaman hastaları tedavi etmek istemiştim. 24 00:01:25,934 --> 00:01:29,792 Buna rağmen 15 yıl önce tıp okulundan ayrıldım 25 00:01:29,816 --> 00:01:31,781 çünkü matematiği özlemiştim. 26 00:01:33,019 --> 00:01:35,955 Kısa bir süre sonra çok güzel bir şey öğrendim. 27 00:01:36,692 --> 00:01:39,455 Tıp alanında çalışmak için matematik kullanabilirdim. 28 00:01:41,026 --> 00:01:46,239 O zamandan beri biyolojik veri analizi için algoritmalar geliştiriyorum. 29 00:01:47,092 --> 00:01:49,375 Sözde kulağa kolay geliyor: 30 00:01:49,399 --> 00:01:53,000 Hadi bütün vücudumuzdaki metabolitlerden bilgi toplayalım, 31 00:01:53,024 --> 00:01:58,152 bir hastalıkta nasıl değiştiklerini açıklayan matematiksel modeller yapalım 32 00:01:58,176 --> 00:02:01,164 ve bu değişikliklere engel olarak hastalığı tedavi edelim. 33 00:02:02,488 --> 00:02:05,960 Sonra neden bunu daha önce kimsenin denemediğini anladım, 34 00:02:07,230 --> 00:02:08,917 bu aşırı derecede zor bir iş. 35 00:02:08,941 --> 00:02:10,028 (Gülüşmeler) 36 00:02:10,052 --> 00:02:12,464 Vücudumuzda çok fazla metabolit var. 37 00:02:12,783 --> 00:02:15,283 Her biri birbirinden farklı. 38 00:02:15,307 --> 00:02:18,745 Bazı metabolitlerin kütlesini, 39 00:02:18,745 --> 00:02:21,676 kütle spektrometresi aletleri kullanarak hesaplayabiliyoruz. 40 00:02:21,676 --> 00:02:26,069 Ama aynı kütleye sahip olan diyelim ki 10 tane molekül olabileceği için 41 00:02:26,093 --> 00:02:27,900 tam olarak ne olduklarını bilmiyoruz 42 00:02:27,924 --> 00:02:30,698 ve eğer hepsini tek tek ayırt etmek istiyorsak 43 00:02:30,722 --> 00:02:33,826 daha çok deneyler yapmamız gerekir, bu da onlarca yıla 44 00:02:33,850 --> 00:02:35,564 ve milyarlarca dolara mal olur. 45 00:02:36,207 --> 00:02:41,770 Biz de bunu yapması için bir yapay zekâ ya da AI platformu geliştirdik. 46 00:02:41,794 --> 00:02:44,638 Biyolojik verinin büyümesine katkıda bulunduk, 47 00:02:44,662 --> 00:02:49,086 metabolitlerle ve onların diğer moleküllerle tepkimelerini kapsayan 48 00:02:49,110 --> 00:02:52,238 her bilgiyle bir veri tabanı oluşturduk. 49 00:02:52,262 --> 00:02:55,686 Bu verinin hepsini bir mega ağda topladık. 50 00:02:55,710 --> 00:02:59,106 Sonrasında dokudan veya hastalarımızın kanından, 51 00:02:59,130 --> 00:03:01,881 metabolitlerin kütlelerini hesapladık 52 00:03:01,905 --> 00:03:05,164 ve bir hastalıkta değişen kütleleri bulduk. 53 00:03:05,164 --> 00:03:08,402 Ama önceden de belirttiğim gibi tam olarak ne olduklarını bilmiyoruz. 54 00:03:08,402 --> 00:03:13,537 Moleküler kütlesi 180 ise glukoz, galaktoz veya fruktoz olabilir. 55 00:03:13,561 --> 00:03:15,580 Hepsinin kütlesi aynı 56 00:03:15,604 --> 00:03:17,691 fakat işlevi farklı. 57 00:03:17,715 --> 00:03:21,302 Bizim yapay zekâ algoritmamız bu belirsizlikleri göze alıyor. 58 00:03:21,326 --> 00:03:24,062 Sonra da mega ağın derinliklerine inip 59 00:03:24,086 --> 00:03:28,439 hastalığa sebep olan metabolik kütlelerin 60 00:03:28,463 --> 00:03:30,421 birbirlerine bağlantısını buluyor. 61 00:03:30,445 --> 00:03:32,683 Ve bağlanma şekillerinden yola çıkarak 62 00:03:32,707 --> 00:03:37,030 her metabolitin kütlesini bulabiliyoruz, 63 00:03:37,054 --> 00:03:39,978 mesela buradaki 180 glukoz olabilir 64 00:03:40,002 --> 00:03:44,455 ve daha da önemlisi glukoz ve diğer metabolitlerdeki değişimlerin 65 00:03:44,455 --> 00:03:47,473 nasıl hastalıklara yol açtığını keşfediyoruz. 66 00:03:47,497 --> 00:03:50,492 Hastalık mekanizmasına olan yeni anlayışımız da 67 00:03:50,516 --> 00:03:55,008 onu hedef alan tedaviler geliştirmemize olanak sağlıyor. 68 00:03:55,601 --> 00:03:59,446 Biz de bu teknolojiyi markete sunmak ve insanların hayatlarını etkilemek 69 00:03:59,470 --> 00:04:01,275 amacıyla bir şirket oluşturduk. 70 00:04:01,722 --> 00:04:05,267 Şimdi benim takımım ve ben, ReviveMed'te metabolitlerin 71 00:04:05,291 --> 00:04:10,396 ana sorun olduğu hastalıklara tedavi bulmak için çalışıyoruz, 72 00:04:10,420 --> 00:04:12,317 mesela yağlı karaciğer hastalığı gibi 73 00:04:12,341 --> 00:04:15,265 çünkü bu hastalık, karaciğerdeki metabolit tipleri olan 74 00:04:15,289 --> 00:04:17,762 yağların birikmesi ile ortaya çıkar. 75 00:04:17,786 --> 00:04:21,726 Daha önce de bahsettiğim gibi bu, tedavisi olmayan çok yaygın bir hastalık. 76 00:04:21,750 --> 00:04:24,474 Ve yağlı karaciğer hastalığı sadece bir örnek. 77 00:04:24,498 --> 00:04:29,656 İleride, tedavisi olmayan birçok hastalığı ele alacağız. 78 00:04:30,217 --> 00:04:34,771 Ve metabolitler hakkında daha çok veri topladıkça 79 00:04:34,795 --> 00:04:40,238 ve metabolitlerdeki değişimin nasıl hastalığa dönüştüğünü anladıkça 80 00:04:40,789 --> 00:04:44,278 algoritmamız daha da zeki olacak 81 00:04:44,302 --> 00:04:48,498 ve doğru hastalar için doğru tedavileri keşfedecek. 82 00:04:48,522 --> 00:04:52,292 Ve yazdığımız her bir satır kod ile 83 00:04:52,316 --> 00:04:56,179 hayat kurtarma amacımıza daha çok yaklaşmış olacağız. 84 00:04:56,203 --> 00:04:57,524 Teşekkür ederim. 85 00:04:57,548 --> 00:05:01,375 (Alkışlar)