Return to Video

Az anyagcseretermékek és a mesterséges intelligencia orvosi lehetőségei

  • 0:02 - 0:03
    2003-ban,
  • 0:03 - 0:06
    amikor szekvenáltuk az emberi genomot,
  • 0:06 - 0:10
    azt gondoltuk, hogy megkapjuk a választ
    számos betegség kezelésére,
  • 0:11 - 0:14
    de a valóság távol áll ettől,
  • 0:15 - 0:17
    mert a génjeink mellett
  • 0:17 - 0:21
    környezetünk és életmódunk is
    jelentős szerepet játszik
  • 0:21 - 0:24
    a főbb betegségek kialakulásában.
  • 0:24 - 0:27
    Az egyik példa a zsírmáj,
  • 0:27 - 0:32
    ami a világ népességének
    több mint 20 százalékát érinti,
  • 0:32 - 0:35
    nincs gyógymódja, és májrákhoz
  • 0:35 - 0:36
    vagy májelégtelenséghez vezet.
  • 0:38 - 0:42
    Tehát csak a DNS szekvenálása
    nem ad elegendő információt ahhoz,
  • 0:42 - 0:45
    hogy hatékony terápiákat találjunk.
  • 0:45 - 0:48
    A jó hír, hogy sok más molekula is,
  • 0:48 - 0:52
    valójában több mint 100 000 metabolit
    található a testünkben.
  • 0:52 - 0:57
    A metabolitok rendkívül
    kis méretű molekulák.
  • 0:57 - 1:02
    Ismert példák a glükóz,
    a fruktóz, a zsírok, a koleszterin –
  • 1:02 - 1:04
    ezekről állandóan hallunk.
  • 1:04 - 1:07
    A metabolitok részt vesznek
    az anyagcserénkben.
  • 1:08 - 1:12
    Ezek úgyszintén a DNS
    gyakorlati megvalósulásai,
  • 1:12 - 1:17
    tehát információkat hordoznak
    génjeinkről és életmódunkról.
  • 1:17 - 1:23
    A metabolitok megértése sok betegségnél
    szükséges a gyógymód megtalálásához.
  • 1:23 - 1:25
    Mindig betegeket akartam kezelni.
  • 1:26 - 1:30
    Ennek ellenére 15 évvel ezelőtt
    otthagytam az orvosi iskolát,
  • 1:30 - 1:32
    mivel hiányzott a matematika.
  • 1:33 - 1:36
    Nem sokkal ezután
    rátaláltam a legmenőbb dologra:
  • 1:37 - 1:40
    Tudom használni a matematikát
    az orvostudomány tanulmányozására.
  • 1:41 - 1:46
    Azóta algoritmusokat fejlesztek
    biológiai adatok elemzésére.
  • 1:47 - 1:49
    Ez könnyűnek tűnt:
  • 1:49 - 1:53
    gyűjtsünk adatokat
    a testben levő összes metabolitról,
  • 1:53 - 1:58
    írjuk le matematikai modellekkel,
    hogyan változnak meg egy betegség során,
  • 1:58 - 2:01
    és avatkozzunk be
    ezekbe a változásokba, kezeljük őket.
  • 2:02 - 2:06
    Aztán rájöttem, miért nem
    foglalkozott ezzel még senki:
  • 2:07 - 2:09
    mert rendkívül nehéz.
  • 2:09 - 2:10
    (Nevetés)
  • 2:10 - 2:12
    A szervezetben sok metabolit található.
  • 2:13 - 2:15
    Mindegyik különbözik a másiktól.
  • 2:15 - 2:19
    Egyes metabolitok molekulatömege
  • 2:19 - 2:22
    mérhető tömegspektrometriás eszközökkel.
  • 2:22 - 2:26
    De mivel akár 10 molekulának is lehet
    pontosan ugyanakkora a tömege,
  • 2:26 - 2:28
    nem tudjuk pontosan, melyek azok,
  • 2:28 - 2:31
    és az egyértelmű beazonosításhoz
    több kísérlet kéne,
  • 2:31 - 2:34
    ez pedig évtizedeket
  • 2:34 - 2:36
    és dollármilliárdokat venne igénybe.
  • 2:36 - 2:42
    Tehát kifejlesztettünk rá
    egy mesterséges intelligenciát.
  • 2:42 - 2:45
    Kihasználtuk a biológiai adatok
    szüntelen gyarapodását,
  • 2:45 - 2:49
    és felépítettünk egy adatbázist
    a metabolitokról meglévő információkból,
  • 2:49 - 2:52
    és kölcsönhatásukról más molekulákkal.
  • 2:52 - 2:56
    Egy megahálózatban összesítettük
    ezeket az adatokat.
  • 2:56 - 2:59
    Ezután a betegek szöveteiből vagy véréből
  • 2:59 - 3:02
    megmérjük a metabolitok tömegét,
  • 3:02 - 3:05
    és megkeressük azokat a tömegeket,
    amelyek megváltoztak a betegségben.
  • 3:05 - 3:08
    De, ahogy korábban is említettem,
    nem tudjuk pontosan, melyek azok.
  • 3:08 - 3:14
    A 180-as molekulatömeg
    lehet glükóz, galaktóz vagy fruktóz is.
  • 3:14 - 3:16
    Mindegyik pontosan egyforma tömegű,
  • 3:16 - 3:18
    de különböző funkciókat
    látnak el a testünkben.
  • 3:18 - 3:21
    Az MI algoritmusunk
    figyelembe vette mindezt.
  • 3:21 - 3:24
    Ezután átnézte a megahálózatot,
  • 3:24 - 3:28
    hogy megtudja, ezek a metabolikus tömegek
    hogyan kapcsolódnak egymáshoz,
  • 3:28 - 3:30
    hogyan vezetnek betegséghez.
  • 3:30 - 3:33
    A kapcsolódásuk módjából
  • 3:33 - 3:37
    képesek vagyunk következtetni arra,
    mik is ezek a metabolitok,
  • 3:37 - 3:40
    hogy a 180-as tömegű itt glükóz lehet,
  • 3:40 - 3:43
    és ami még fontosabb, hogy felfedezzük,
  • 3:43 - 3:46
    a glükóz és más metabolitok változása
  • 3:46 - 3:47
    hogyan vezet betegséghez.
  • 3:47 - 3:50
    A betegségmechanizmusok
    ezen újszerű megértése lehetővé teszi,
  • 3:51 - 3:55
    hogy hatékony terápiás gyógyszereket
    fejlesszünk ki a kezeléshez.
  • 3:56 - 3:59
    Létrehoztunk egy induló vállalkozást,
    hogy ezt a technológiát forgalomba hozzuk,
  • 3:59 - 4:02
    és hatással legyünk az emberek életére.
  • 4:02 - 4:05
    Jelenleg csapatommal a ReviveMednél
    a fő betegségek kezelését fejlesztjük,
  • 4:05 - 4:10
    melynek során a metabolitok
    kulcsfontosságú szerepet játszanak,
  • 4:10 - 4:12
    mint például a zsírmáj,
  • 4:12 - 4:15
    melyet a zsírok felhalmozódása okoz,
  • 4:15 - 4:18
    amelyek a máj metabolittípusai.
  • 4:18 - 4:22
    Ahogy korábban említettem,
    ez elterjedt betegség, gyógymód nélkül.
  • 4:22 - 4:24
    A zsírmáj csak egy példa erre.
  • 4:24 - 4:26
    Ahogy haladunk előre,
  • 4:26 - 4:30
    ma még gyógyíthatatlan betegségek
    százait fogjuk tudni kezelni.
  • 4:30 - 4:35
    Majd ahogy egyre több
    metabolitadatot gyűjtünk,
  • 4:35 - 4:38
    és megértjük, hogy a metabolitok változása
  • 4:38 - 4:41
    hogyan vezet betegségek kifejlődéséhez,
  • 4:41 - 4:44
    algoritmusaink egyre okosabbak
  • 4:44 - 4:48
    a betegek számára megfelelő
    kezelések kifejlesztésében.
  • 4:49 - 4:52
    És egyre közelebb kerülünk
    ahhoz az elképzelésünkhöz,
  • 4:52 - 4:56
    hogy minden kódsorral életeket mentsünk.
  • 4:56 - 4:58
    Köszönöm.
  • 4:58 - 5:01
    (Taps)
Title:
Az anyagcseretermékek és a mesterséges intelligencia orvosi lehetőségei
Speaker:
Leila Pirhaji
Description:

Számos betegséget a metabolitok irányítanak – apró molekulák a testben, mint például a zsír, glükóz és a koleszterin –, de nem tudjuk pontosan, mik ezek, vagy hogyan működnek. A biotechnológiai vállalkozó és TED-ösztöndíjas, Leila Pirhaji osztja velünk tervét az MI-alapú hálózatépítésről a metabolitminták jellemzésére, a betegségek kialakulásának jobb megértésére és a hatékonyabb kezelések felfedezésére.
more » « less
Video Language:
English
Team:
closed TED
Project:
TEDTalks
Duration:
05:14

Hungarian subtitles

Revisions

Our website uses cookies for analysis purposes.