WEBVTT

00:00:00.917 --> 00:00:03.825
Takže, jak hodláme porazit
tento nový koronavirus?

00:00:04.317 --> 00:00:06.948
Našimi nejlepšími nástroji:

00:00:06.972 --> 00:00:09.011
naší vědou a technologií.

00:00:09.584 --> 00:00:12.726
V mojí laboratoři využíváme
nástroje umělé inteligence

00:00:12.750 --> 00:00:14.329
a syntetické biologie,

00:00:14.353 --> 00:00:17.413
abychom zrychlili boj proti pandemii.

00:00:18.078 --> 00:00:20.081
Naše práce byla zpočátku
navržena k tomu,

00:00:20.115 --> 00:00:22.698
abychom se vypořádali
s rezistencí na antibiotika.

00:00:22.842 --> 00:00:27.531
Náš projekt hledá,
jak využít sílu strojového učení

00:00:27.555 --> 00:00:29.515
k doplnění našeho
antibiotického arzenálu

00:00:29.545 --> 00:00:33.263
a zabránění postantibiotické éře,
která by způsobila globální devastaci.

00:00:33.685 --> 00:00:36.505
Důležité je, že ta samá technologie
může být použita

00:00:36.529 --> 00:00:38.601
k nalezení antivirových sloučenin,

00:00:38.625 --> 00:00:41.303
které nám mohou pomoct
bojovat se současnou pandemií.

NOTE Paragraph

00:00:42.080 --> 00:00:47.092
Strojové učení obrátilo tradiční model
zkoumání léčiv vzhůru nohama.

00:00:47.434 --> 00:00:48.659
S tímto přístupem,

00:00:48.683 --> 00:00:52.635
místo pečlivého testování
účinnosti tisíců existujících molekul

00:00:52.665 --> 00:00:55.856
jednu po druhé v laboratoři,

00:00:55.886 --> 00:01:00.513
můžeme trénovat počítač,
aby prozkoumal exponenciálně větší prostor

00:01:00.537 --> 00:01:04.121
všech možných molekul,
které mohou být syntetizovány,

00:01:04.145 --> 00:01:09.759
a tím pádem,
místo hledání jehly v kupce sena,

00:01:09.783 --> 00:01:13.543
můžeme využít gigantický
magnet výpočetní síly,

00:01:13.567 --> 00:01:17.482
aby našel mnoho jehel
v mnoha kupkách sena zároveň.

NOTE Paragraph

00:01:18.423 --> 00:01:20.625
Již máme nějaké počáteční úspěchy.

00:01:21.010 --> 00:01:26.475
Nedávno jsme použili strojové učení
k objevení nových antibiotik,

00:01:26.499 --> 00:01:29.059
které nám pomohou
přemoci bakteriální infekce,

00:01:29.083 --> 00:01:32.694
jež se mohou vyskytnout
společně s infekcí SARS-CoV-2.

00:01:33.181 --> 00:01:37.350
Před dvěma měsíci TED Audacious Project
schválil naše financování,

00:01:37.374 --> 00:01:39.562
aby podstatně rozšířil naši činnost

00:01:39.586 --> 00:01:44.214
s cílem objevit sedm
nových tříd antibiotik

00:01:44.238 --> 00:01:47.721
proti sedmi nejsmrtelnějším
bakteriálním patogenům světa

00:01:47.745 --> 00:01:49.800
během následujících sedmi let.

00:01:50.206 --> 00:01:51.939
Jen připomínám,

00:01:51.963 --> 00:01:53.891
že v posledních třech dekádách

00:01:53.915 --> 00:01:57.150
nebyla objevena ani jedna
nová třída antibiotik.

NOTE Paragraph

00:01:58.030 --> 00:02:01.661
Zatímco pátrání po nových antibiotikách
proběhne ve střednědobém horizontu,

00:02:01.685 --> 00:02:06.277
nový koronavirus představuje
současnou smrtelnou hrozbu

00:02:06.301 --> 00:02:10.094
a s radostí vám sděluji, že věříme,
že můžeme použít tu samou technologii

00:02:10.118 --> 00:02:12.927
ke hledání terapie pro boj s tímto virem.

00:02:13.486 --> 00:02:15.205
Takže, jak to hodláme udělat?

00:02:15.229 --> 00:02:18.177
Vytváříme knihovnu tréninkových sloučenin

00:02:18.201 --> 00:02:23.743
a se spolupracovníky vkládáme tyto 
molekuly do buněk infikovaných SARS-CoV-2,

00:02:23.767 --> 00:02:27.661
abychom viděli,
která z nich vykazuje účinnou aktivitu.

00:02:28.175 --> 00:02:31.367
Tato data budou použita
k trénování modelu strojového učení,

00:02:31.391 --> 00:02:35.461
který bude nasazen na více než
miliardu molekul z počítačové knihovny,

00:02:35.485 --> 00:02:39.689
aby našel potenciální
nové antivirové sloučeniny.

00:02:40.324 --> 00:02:42.982
Budeme syntetizovat a testovat
nejlepší predikce

00:02:43.006 --> 00:02:46.045
a nejnadějnější kandidáty
posuneme do klinických testů.

NOTE Paragraph

00:02:46.127 --> 00:02:48.134
Že to zní až moc dobře?

00:02:48.158 --> 00:02:49.590
Nemělo by.

00:02:49.614 --> 00:02:52.963
„Antibiotics AI Project“ je založen
na našem ověřovacím výzkumu,

00:02:52.993 --> 00:02:56.364
který vedl k objevu nového 
širokospektrálního antibiotika

00:02:56.388 --> 00:02:57.573
zvaného halicin.

00:02:58.443 --> 00:03:01.256
Halicin vykazuje
silnou antibakteriální aktivitu

00:03:01.280 --> 00:03:05.382
proti skoro všem rezistentním
bakteriálním patogenům

00:03:05.406 --> 00:03:09.047
včetně nevyléčitelných
panrezistentních infekcí.

00:03:09.712 --> 00:03:12.132
Na rozdíl od současných antibiotik
je důležité,

00:03:12.156 --> 00:03:15.850
že četnost, s jakou si bakterie
vybuduje rezistenci na halicin,

00:03:15.874 --> 00:03:17.488
je pozoruhodně nízká.

00:03:18.303 --> 00:03:23.013
V laboratoři jsme testovali
schopnost bakterie vybudovat si

00:03:23.037 --> 00:03:25.285
rezistenci na halicin a na lék „Cipro“.

00:03:25.299 --> 00:03:26.841
V případě léku „Cipro“

00:03:26.865 --> 00:03:29.820
jsme již po jednom dni
pozorovali rezistenci.

00:03:30.213 --> 00:03:34.251
V případě halicinu jsme po jednom dni
nepozorovali žádnou rezistenci.

00:03:34.479 --> 00:03:37.781
Překvapivé je, že ani po 30 dnech

00:03:37.805 --> 00:03:40.406
jsme nepozorovali žádnou
rezistenci na halicin.

NOTE Paragraph

00:03:41.018 --> 00:03:46.364
V pilotním projektu jsme nejprve testovali
zhruba 2 500 sloučenin proti E. coli.

00:03:47.259 --> 00:03:50.039
Tento tréninkový set
zahrnoval známá antibiotika

00:03:50.063 --> 00:03:51.809
jako „Cipro“ a penicilin,

00:03:51.833 --> 00:03:54.464
stejně jako mnoho léků,
které nejsou antibiotiky.

00:03:54.984 --> 00:03:57.571
Tato data jsme použili k trénování modelu,

00:03:57.595 --> 00:04:01.743
aby se naučil vlastnosti molekul
spojované s antibakteriální aktivitou.

00:04:02.009 --> 00:04:04.970
Poté jsme model aplikovali
na knihovnu znovupoužitelných léčiv

00:04:04.994 --> 00:04:07.472
obsahující několik tisíc molekul

00:04:07.496 --> 00:04:10.114
a zadali jsme modelu,
aby identifikoval molekuly,

00:04:10.138 --> 00:04:12.986
u kterých jsou predikovány
antibakteriální vlastnosti,

00:04:13.026 --> 00:04:15.419
ale nevypadají
jako existující antibiotika.

00:04:16.427 --> 00:04:21.224
Je zajímavé, že pouze jedna molekula
v knihovně odpovídala těmto kritériím

00:04:21.248 --> 00:04:23.664
a touto molekulou se ukázal být halicin.

00:04:23.901 --> 00:04:27.652
Vzhledem k tomu, že halicin nevypadá
jako jakékoliv existující antibiotikum,

00:04:27.676 --> 00:04:31.710
bylo by pro člověka nemožné,
dokonce i pro experta na antibiotika,

00:04:31.734 --> 00:04:34.028
aby tímto způsobem halicin identifikoval.

00:04:34.574 --> 00:04:37.204
A teď si představte,
co bychom s touto technologií

00:04:37.228 --> 00:04:38.969
mohli dělat proti SARS-CoV-2.

NOTE Paragraph

00:04:39.783 --> 00:04:41.148
A toto není vše.

00:04:41.172 --> 00:04:43.992
Také využíváme nástroje
syntetické biologie

00:04:44.016 --> 00:04:46.627
a experimentujeme s DNA
a dalšími buněčnými aparáty,

00:04:46.651 --> 00:04:50.561
aby sloužily potřebám lidí,
jako je boj proti COVID-19,

00:04:50.585 --> 00:04:54.232
a je důležité zmínit,
že pracujeme na vývoji ochranné masky,

00:04:54.256 --> 00:04:57.828
která také dokáže sloužit
jako rychlý diagnostický test.

00:04:58.192 --> 00:04:59.664
Takže, jak to funguje?

00:04:59.688 --> 00:05:00.893
Nedávno jsme ukázali,

00:05:00.917 --> 00:05:03.860
že můžete vzít buněčný aparát z živé buňky

00:05:03.884 --> 00:05:07.976
a lyofilizovat ho společně
s RNA senzorem na papír,

00:05:08.000 --> 00:05:12.916
abyste vytvořili levnou
diagnostiku Eboly a Ziky.

00:05:13.503 --> 00:05:18.730
Senzory se aktivují rehydratací
ze vzorku nemocného člověka,

00:05:18.754 --> 00:05:21.576
který může obsahovat
například krev nebo sliny.

00:05:21.600 --> 00:05:24.861
Ukazuje se, že tato technologie
není omezena pouze na papír

00:05:24.885 --> 00:05:27.771
a může být aplikována
na další materiály, včetně tkanin.

00:05:28.671 --> 00:05:30.613
Pro pandemii COVID-19

00:05:30.637 --> 00:05:34.983
navrhujeme RNA senzory k detekci viru

00:05:35.007 --> 00:05:38.217
a lyofilizujeme je i s potřebnými
buněčnými aparáty

00:05:38.241 --> 00:05:40.458
do látky roušky.

00:05:40.972 --> 00:05:43.201
Stačí pouhé dýchání

00:05:43.225 --> 00:05:45.502
a vodní kapénky, které ho doprovázejí,

00:05:45.526 --> 00:05:47.286
aby se test aktivoval.

00:05:47.804 --> 00:05:51.744
Tím pádem, pokud je
pacient infikován SARS-CoV-2,

00:05:51.784 --> 00:05:54.161
začne maska produkovat
fluorescenční signál,

00:05:54.185 --> 00:05:58.015
který může být detekován jednoduchým,
laciným kapesním zařízením.

00:05:58.534 --> 00:06:03.018
Během hodiny nebo dvou
tak může být pacient bezpečně,

00:06:03.042 --> 00:06:06.014
na dálku a přesně diagnostikován.

NOTE Paragraph

00:06:06.735 --> 00:06:09.255
Syntetickou biologii také využíváme

00:06:09.279 --> 00:06:11.999
k návrhu vakcíny pro COVID-19.

00:06:13.014 --> 00:06:15.667
Znovupoužíváme BCG vakcínu,

00:06:15.691 --> 00:06:18.561
která se téměř jedno století
používala proti tuberkulóze.

00:06:18.585 --> 00:06:20.126
Je to živá, oslabená vakcína

00:06:20.150 --> 00:06:24.807
a my ji připravujeme
pro expresi antigenů SARS-CoV-2,

00:06:24.831 --> 00:06:27.645
které by měly spouštět produkci
ochranných protilátek

00:06:27.669 --> 00:06:29.304
v imunitním systému.

00:06:29.328 --> 00:06:32.062
Důležité je, že BCG je
masivně škálovatelná

00:06:32.086 --> 00:06:36.659
a má bezpečnostní profil, který patří
mezi nejlepší ze všech hlášených vakcín.

NOTE Paragraph

00:06:37.881 --> 00:06:42.986
S nástroji syntetické biologie
a umělé inteligence

00:06:43.010 --> 00:06:46.358
můžeme tento souboj
s novým koronavirem vyhrát.

00:06:46.844 --> 00:06:50.163
Tato práce je ve velmi raném stadiu,
ale příslib je reálný.

00:06:50.798 --> 00:06:54.243
Věda a technologie nám
mohou dát důležitou výhodu

00:06:54.267 --> 00:06:57.428
v souboji lidského důvtipu
s geny rezistentních bakterií,

00:06:57.452 --> 00:06:59.407
v souboji, který můžeme vyhrát.

NOTE Paragraph

00:06:59.990 --> 00:07:01.223
Děkuji vám.