Så hvordan skal vi overkomme
denne nye coronavirus?
Ved at bruge vores bedste redskaber:
vores videnskab og vores teknologi.
I mit laboratorie
anvender vi kunstig intelligens
og syntesebiologi
til at fremskynde kampen
mod denne pandemi.
Vores arbejde var oprindeligt designet
til at håndtere
den stigende antibiotikaresistens.
Vores projekt forsøger at udnytte
mulighederne ved machine learning
for at genopbygge
vores antibiotika arsenal
og undgå en globalt ødelæggende
post-antibiotisk tidsalder.
Vigtigere er det,
at den samme teknologi kan bruges
til at søge efter antivirale forbindelser
der kan hjælpe os med at bekæmpe
den nuværende pandemi.
Machine learning vender op og ned
på den traditionelle lægemiddelforskning
Med denne tilgang -
i stedet for omhyggeligt at teste
tusinder af eksisterende molekyler
en efter en i et laboratorie
for deres effektivitet
- kan vi oplære en computer i at udforske
ukendte områder
af alle potentielle molekyler
der kunne syntetiseres
så i stedet for at lede efter
nålen i høstakken,
kan vi gøre brug af den gigantiske magnet
af computerkraft
til at finde mange nåle
i adskillige høstakke samtidig.
Vi kan allerede nu fremvise nogle resultater.
For nyligt anvendte vi machine learning
til at opdage nye antibiotika
der kan hjælpe os med at bekæmpe
bakterieinfektioner
der kan forekomme som følge
af SARS-CoV-2 infektioner.
For to måneder siden, godkendte
TED's Audacious Project vores finansiering
til at opskalere vores arbejde massivt
med målet om at opdage
syv nye antibiotikaklasser
imod syv af verdens
dødelige bakterielle patogener
over de næste syv år.
Til sammenligning:
antallet af nye antibiotikaklasser
opdaget igennem de sidste tre årtier
er nul.
Mens søgen efter ny antibiotika hører til
vores fremtid på mellemlang sigt,
så udgør den nye coronavirus
en umiddelbar dødelig trussel
og det glæder mig at dele, at vi tror på
at samme teknologi kan anvendes
til at søge efter behandling
til at bekæmpe denne virus.
Så hvordan vil vi gøre det?
Vi opretter et sammensat træningsbibliotek
hvor samarbejdspartnere påfører disse
molekyler på SARS-CoV-2-inficerede celler
for at se hvilke af dem,
der udviser effektiv aktivitet.
Denne data vil blive brugt til
at oplære en machine learning model
der kan anvendes på en in silico
bibliotek med over en milliard molekyler
for at søge efter potentielle
nye antivirale forbindelser.
Vi vil syntetisere og teste
prioriterede forudsigelser
og viderudvikle de mest lovende
kandidater i laboratoriet.
Lyder det for godt til at være sandt?
Det burde det ikke.
The Antibiotics AI Project er grundlagt
på vores proof of concept forskning
der førte til opdagelsen af
et nyt bredspektret antibiotikum
med navnet Halocin.
Halocin indeholder kraftig
antibakteriel aktivitet
mod næsten alle antibiotikaresistente
bakterielle patogener
heriblandt uhelbredelige pan-resistente
infektioner.
Hvad vigtigere er, modsat
nuværende antibiotika
er hyppigheden af bakterier, der udvikler
resistens mod Halocin,
bemærkelsesværdig lav.
Vi testede bakteriernes evne
til at udvikle resistens mod Halocin
såvel som Cipro i laboratoriet.
For Cipro
kunne vi spore resistens
efter bare én dag.
For Halocin
så vi ingen resistens efter en enkelt dag.
Utroligt nok, efter 30 dage
kunne vi stadig ikke spore resistens
mod Halocin.
I dette pilotforsøg testede vi først
omkring 2.500 forbindelser mod E. coli.
Dette træningsforsøg omfattede
kendte antibiotika
såsom Cipro og penicillin,
samt flere lægemidler,
der ikke er antibiotika.
Vi brugte denne data til at oplære
en model
i at forstå molekylære træk
forbundet med antibakteriel aktivitet.
Vi anvendte derefter modellen
i et bibliotek
for genanvendelseslægemidler
bestående af flere tusinder molekyler
til at identificere molekyler,
der forventes
at have antibakterielle egenskaber
men som ikke ligner
eksisterende antibiotika.
Interessant nok, var der blot en enkelt
molekyle der svarede til disse kriterier
og den molekyle var Halocin.
Da Halocin ikke ligner
eksisterende antibiotika,
ville det være umuligt for et menneske,
herunder en antibiotikaekspert,
at identificere Halocin på denne måde.
Forestil dig nu hvad vi kunne gøre
med denne teknologi
mod SARS-CoV-2.
Og det er ikke det hele.
Vi anvender også redskaber som
syntesebiologi
blandet med DNA og andet
cellulært maskineri,
til at tjene menneskelige formål
som at bekæmpe COVID-19,
og som sidebemærkning, arbejder vi
på at udvikle en beskyttelsesmaske
der også kan fungere som
en hurtig diagnostisk test.
Så hvordan fungerer det?
Vi har for nyligt vist,
at du kan udtage det cellulære maskineri
fra en levende celle
og frysetørre det sammen med
RNA-sensorer på papir
for at producere et billigt
diagnostisk redskab for Ebola og Zika.
Sensorerne aktiveres når de rehydreres
af en patientprøve
der kan bestå af blod eller spyt.
Det viser sig, at denne teknologi
ikke begrænser sig til papir
og kan anvendes på andre materialer,
såsom et stykke stof.
For COVID-19 pandemien
designer vi RNA-sensorer
til at opfange virussen
og frysetørre disse sammen med
det nødvendige cellulære maskineri
i stoffet på en ansigtsmaske
hvor det at trække vejret,
sammen med det vanddamp,
der følger med
kan aktivere testen.
Så hvis en patient er inficeret
med SARS-CoV-2,
vil masken producere
et fluorescerende signal
der kan opfanges via en simpel, billig
håndholdt enhed.
På en eller to timer,
vil en patient kunne blive diagnosticeret
sikkert, på afstand og præcist.
Vi bruger også syntesebiologi
til at designe en mulig
vaccine for COVID-19.
Vi genanvender BCG vaccinen
som er blevet brugt mod TB
i næsten et århundrede.
Det er en levende svækket vaccine,
som vi konstruerer til at udtrykke
SARS-CoV-2 antigener,
hvilket vil udløse produktionen
af beskyttende antistoffer
af immunsystemet.
Oveni det er BCG betydelig skalerbar,
og har en sikkerhedsprofil, der er blandt
de bedste af rapporterede vacciner.
Med redskaber som syntesebiologi
og kunstig intelligens
kan vi vinde kampen mod
denne nye coronavirus.
Arbejdet er i de meget tidlige faser,
men løftet er reelt.
Videnskab og teknologi kan give os
en afgørende fordel
i opgøret mellem menneskelig forstand
og superbugs' gener,
en kamp vi kan vinde.
Tak.