0:00:00.917,0:00:03.825
Så hvordan skal vi overkomme[br]denne nye coronavirus?

0:00:04.317,0:00:06.948
Ved at bruge vores bedste redskaber:

0:00:06.972,0:00:09.011
vores videnskab og vores teknologi.

0:00:09.594,0:00:12.726
I mit laboratorie [br]anvender vi kunstig intelligens

0:00:12.750,0:00:14.329
og syntesebiologi

0:00:14.353,0:00:17.413
til at fremskynde kampen[br]mod denne pandemi.

0:00:18.078,0:00:19.941
Vores arbejde var oprindeligt designet

0:00:19.965,0:00:22.818
til at håndtere[br]den stigende antibiotikaresistens.

0:00:22.842,0:00:27.531
Vores projekt forsøger at udnytte[br]mulighederne ved machine learning

0:00:27.555,0:00:29.401
for at genopbygge[br]vores antibiotika arsenal

0:00:29.425,0:00:33.263
og undgå en globalt ødelæggende[br]post-antibiotisk tidsalder.

0:00:33.685,0:00:36.505
Vigtigere er det,[br]at den samme teknologi kan bruges

0:00:36.529,0:00:38.601
til at søge efter antivirale forbindelser

0:00:38.625,0:00:41.303
der kan hjælpe os med at bekæmpe[br]den nuværende pandemi.

0:00:42.080,0:00:45.982
Machine learning vender op og ned[br]på den traditionelle lægemiddelforskning

0:00:47.434,0:00:48.659
Med denne tilgang -

0:00:48.683,0:00:52.761
i stedet for omhyggeligt at teste[br]tusinder af eksisterende molekyler

0:00:52.785,0:00:54.221
en efter en i et laboratorie

0:00:54.245,0:00:55.832
for deres effektivitet

0:00:55.856,0:01:00.513
- kan vi oplære en computer i at udforske[br]ukendte områder

0:01:00.537,0:01:04.121
af alle potentielle molekyler[br]der kunne syntetiseres

0:01:04.145,0:01:09.759
så i stedet for at lede efter[br]nålen i høstakken,

0:01:09.783,0:01:13.543
kan vi gøre brug af den gigantiske magnet[br]af computerkraft

0:01:13.567,0:01:17.482
til at finde mange nåle[br]i adskillige høstakke samtidig.

0:01:18.423,0:01:20.415
Vi kan allerede nu fremvise nogle resultater.

0:01:21.010,0:01:26.475
For nyligt anvendte vi machine learning[br]til at opdage nye antibiotika

0:01:26.499,0:01:29.059
der kan hjælpe os med at bekæmpe[br]bakterieinfektioner

0:01:29.083,0:01:32.694
der kan forekomme som følge[br]af SARS-CoV-2 infektioner.

0:01:33.181,0:01:37.350
For to måneder siden, godkendte[br]TED's Audacious Project vores finansiering

0:01:37.374,0:01:39.562
til at opskalere vores arbejde massivt

0:01:39.586,0:01:44.214
med målet om at opdage[br]syv nye antibiotikaklasser

0:01:44.238,0:01:47.721
imod syv af verdens[br]dødelige bakterielle patogener

0:01:47.745,0:01:49.800
over de næste syv år.

0:01:50.206,0:01:51.939
Til sammenligning:

0:01:51.963,0:01:53.891
antallet af nye antibiotikaklasser

0:01:53.915,0:01:57.150
opdaget igennem de sidste tre årtier[br]er nul.

0:01:58.030,0:02:01.601
Mens søgen efter ny antibiotika hører til[br]vores fremtid på mellemlang sigt,

0:02:01.625,0:02:06.277
så udgør den nye coronavirus[br]en umiddelbar dødelig trussel

0:02:06.301,0:02:10.094
og det glæder mig at dele, at vi tror på[br]at samme teknologi kan anvendes

0:02:10.118,0:02:12.927
til at søge efter behandling[br]til at bekæmpe denne virus.

0:02:13.486,0:02:15.205
Så hvordan vil vi gøre det?

0:02:15.229,0:02:18.177
Vi opretter et sammensat træningsbibliotek

0:02:18.201,0:02:23.743
hvor samarbejdspartnere påfører disse[br]molekyler på SARS-CoV-2-inficerede celler

0:02:23.767,0:02:27.661
for at se hvilke af dem,[br]der udviser effektiv aktivitet.

0:02:28.175,0:02:31.367
Denne data vil blive brugt til[br]at oplære en machine learning model

0:02:31.391,0:02:35.461
der kan anvendes på en in silico[br]bibliotek med over en milliard molekyler

0:02:35.485,0:02:39.689
for at søge efter potentielle[br]nye antivirale forbindelser.

0:02:40.324,0:02:42.982
Vi vil syntetisere og teste[br]prioriterede forudsigelser

0:02:43.006,0:02:45.895
og viderudvikle de mest lovende[br]kandidater i laboratoriet.

0:02:46.356,0:02:48.134
Lyder det for godt til at være sandt?

0:02:48.158,0:02:49.590
Det burde det ikke.

0:02:49.614,0:02:52.939
The Antibiotics AI Project er grundlagt[br]på vores proof of concept forskning

0:02:52.963,0:02:56.364
der førte til opdagelsen af[br]et nyt bredspektret antibiotikum

0:02:56.388,0:02:57.573
med navnet Halocin.

0:02:58.443,0:03:01.256
Halocin indeholder kraftig[br]antibakteriel aktivitet

0:03:01.280,0:03:05.382
mod næsten alle antibiotikaresistente[br]bakterielle patogener

0:03:05.406,0:03:09.047
heriblandt uhelbredelige pan-resistente[br]infektioner.

0:03:09.860,0:03:11.156
Hvad vigtigere er, modsat

0:03:11.156,0:03:12.156
nuværende antibiotika

0:03:12.156,0:03:15.850
er hyppigheden af bakterier, der udvikler[br]resistens mod Halocin,

0:03:15.874,0:03:17.358
bemærkelsesværdig lav.

0:03:18.303,0:03:23.013
Vi testede bakteriernes evne[br]til at udvikle resistens mod Halocin

0:03:23.037,0:03:24.825
såvel som Cipro i laboratoriet.

0:03:25.299,0:03:26.841
For Cipro

0:03:26.865,0:03:29.690
kunne vi spore resistens[br]efter bare én dag.

0:03:30.213,0:03:31.691
For Halocin

0:03:31.715,0:03:33.830
så vi ingen resistens efter en enkelt dag.

0:03:34.479,0:03:37.781
Utroligt nok, efter 30 dage

0:03:37.805,0:03:40.406
kunne vi stadig ikke spore resistens[br]mod Halocin.

0:03:41.098,0:03:46.624
I dette pilotforsøg testede vi først[br]omkring 2.500 forbindelser mod E. coli.

0:03:47.259,0:03:50.039
Dette træningsforsøg omfattede[br]kendte antibiotika

0:03:50.063,0:03:51.809
såsom Cipro og penicillin,

0:03:51.833,0:03:54.105
samt flere lægemidler,[br]der ikke er antibiotika.

0:03:54.984,0:03:57.571
Vi brugte denne data til at oplære[br]en model

0:03:57.595,0:04:01.573
i at forstå molekylære træk[br]forbundet med antibakteriel aktivitet.

0:04:02.269,0:04:03.994
Vi anvendte derefter modellen

0:04:03.994,0:04:04.994
i et bibliotek

0:04:04.994,0:04:07.472
for genanvendelseslægemidler[br]bestående af flere tusinder molekyler

0:04:07.496,0:04:10.114
til at identificere molekyler,

0:04:10.138,0:04:12.922
der forventes[br]at have antibakterielle egenskaber

0:04:12.946,0:04:15.419
men som ikke ligner[br]eksisterende antibiotika.

0:04:16.427,0:04:21.224
Interessant nok, var der blot en enkelt[br]molekyle der svarede til disse kriterier

0:04:21.248,0:04:23.584
og den molekyle var Halocin.

0:04:24.444,0:04:27.532
Da Halocin ikke ligner[br]eksisterende antibiotika,

0:04:27.556,0:04:31.710
ville det være umuligt for et menneske,[br]herunder en antibiotikaekspert,

0:04:31.734,0:04:33.918
at identificere Halocin på denne måde.

0:04:34.574,0:04:37.204
Forestil dig nu hvad vi kunne gøre[br]med denne teknologi

0:04:37.228,0:04:38.969
mod SARS-CoV-2.

0:04:39.783,0:04:41.148
Og det er ikke det hele.

0:04:41.172,0:04:43.992
Vi anvender også redskaber som[br]syntesebiologi

0:04:44.016,0:04:46.627
blandet med DNA og andet[br]cellulært maskineri,

0:04:46.651,0:04:50.561
til at tjene menneskelige formål[br]som at bekæmpe COVID-19,

0:04:50.585,0:04:54.232
og som sidebemærkning, arbejder vi[br]på at udvikle en beskyttelsesmaske

0:04:54.256,0:04:57.688
der også kan fungere som[br]en hurtig diagnostisk test.

0:04:58.192,0:04:59.664
Så hvordan fungerer det?

0:04:59.688,0:05:00.893
Vi har for nyligt vist,

0:05:00.917,0:05:03.860
at du kan udtage det cellulære maskineri[br]fra en levende celle

0:05:03.884,0:05:07.976
og frysetørre det sammen med[br]RNA-sensorer på papir

0:05:08.000,0:05:12.916
for at producere et billigt[br]diagnostisk redskab for Ebola og Zika.

0:05:13.503,0:05:18.730
Sensorerne aktiveres når de rehydreres[br]af en patientprøve

0:05:18.754,0:05:21.576
der kan bestå af blod eller spyt.

0:05:21.600,0:05:24.861
Det viser sig, at denne teknologi[br]ikke begrænser sig til papir

0:05:24.885,0:05:27.771
og kan anvendes på andre materialer,[br]såsom et stykke stof.

0:05:28.671,0:05:30.613
For COVID-19 pandemien

0:05:30.637,0:05:34.983
designer vi RNA-sensorer[br]til at opfange virussen

0:05:35.007,0:05:38.217
og frysetørre disse sammen med[br]det nødvendige cellulære maskineri

0:05:38.241,0:05:40.948
i stoffet på en ansigtsmaske

0:05:40.972,0:05:43.201
hvor det at trække vejret,

0:05:43.225,0:05:45.502
sammen med det vanddamp,[br]der følger med

0:05:45.526,0:05:47.286
kan aktivere testen.

0:05:47.804,0:05:52.064
Så hvis en patient er inficeret[br]med SARS-CoV-2,

0:05:52.088,0:05:54.161
vil masken producere[br]et fluorescerende signal

0:05:54.185,0:05:58.015
der kan opfanges via en simpel, billig[br]håndholdt enhed.

0:05:58.534,0:06:03.018
På en eller to timer,[br]vil en patient kunne blive diagnosticeret

0:06:03.042,0:06:06.014
sikkert, på afstand og præcist.

0:06:06.735,0:06:09.255
Vi bruger også syntesebiologi

0:06:09.279,0:06:11.999
til at designe en mulig[br]vaccine for COVID-19.

0:06:13.014,0:06:15.667
Vi genanvender BCG vaccinen

0:06:15.691,0:06:18.561
som er blevet brugt mod TB[br]i næsten et århundrede.

0:06:18.585,0:06:20.126
Det er en levende svækket vaccine,

0:06:20.150,0:06:24.807
som vi konstruerer til at udtrykke[br]SARS-CoV-2 antigener,

0:06:24.831,0:06:27.645
hvilket vil udløse produktionen[br]af beskyttende antistoffer

0:06:27.669,0:06:29.304
af immunsystemet.

0:06:29.328,0:06:32.062
Oveni det er BCG betydelig skalerbar,

0:06:32.086,0:06:36.659
og har en sikkerhedsprofil, der er blandt[br]de bedste af rapporterede vacciner.

0:06:37.881,0:06:42.986
Med redskaber som syntesebiologi[br]og kunstig intelligens

0:06:43.010,0:06:46.358
kan vi vinde kampen mod[br]denne nye coronavirus.

0:06:46.844,0:06:50.163
Arbejdet er i de meget tidlige faser,[br]men løftet er reelt.

0:06:50.798,0:06:54.243
Videnskab og teknologi kan give os[br]en afgørende fordel

0:06:54.267,0:06:57.428
i opgøret mellem menneskelig forstand[br]og superbugs' gener,

0:06:57.452,0:06:59.199
en kamp vi kan vinde.

0:06:59.990,0:07:01.223
Tak.