1
00:00:00,917 --> 00:00:03,825
Så hvordan skal vi overkomme
denne nye coronavirus?

2
00:00:04,317 --> 00:00:06,948
Ved at bruge vores bedste redskaber:

3
00:00:06,972 --> 00:00:09,011
vores videnskab og vores teknologi.

4
00:00:09,594 --> 00:00:12,726
I mit laboratorie 
anvender vi kunstig intelligens

5
00:00:12,750 --> 00:00:14,329
og syntesebiologi

6
00:00:14,353 --> 00:00:17,413
til at fremskynde kampen
mod denne pandemi.

7
00:00:18,078 --> 00:00:19,941
Vores arbejde var oprindeligt designet

8
00:00:19,965 --> 00:00:22,818
til at håndtere
den stigende antibiotikaresistens.

9
00:00:22,842 --> 00:00:27,531
Vores projekt forsøger at udnytte
mulighederne ved machine learning

10
00:00:27,555 --> 00:00:29,401
for at genopbygge
vores antibiotika arsenal

11
00:00:29,425 --> 00:00:33,263
og undgå en globalt ødelæggende
post-antibiotisk tidsalder.

12
00:00:33,685 --> 00:00:36,505
Vigtigere er det,
at den samme teknologi kan bruges

13
00:00:36,529 --> 00:00:38,601
til at søge efter antivirale forbindelser

14
00:00:38,625 --> 00:00:41,303
der kan hjælpe os med at bekæmpe
den nuværende pandemi.

15
00:00:42,080 --> 00:00:45,982
Machine learning vender op og ned
på den traditionelle lægemiddelforskning

16
00:00:47,434 --> 00:00:48,659
Med denne tilgang -

17
00:00:48,683 --> 00:00:52,761
i stedet for omhyggeligt at teste
tusinder af eksisterende molekyler

18
00:00:52,785 --> 00:00:54,221
en efter en i et laboratorie

19
00:00:54,245 --> 00:00:55,832
for deres effektivitet

20
00:00:55,856 --> 00:01:00,513
- kan vi oplære en computer i at udforske
ukendte områder

21
00:01:00,537 --> 00:01:04,121
af alle potentielle molekyler
der kunne syntetiseres

22
00:01:04,145 --> 00:01:09,759
så i stedet for at lede efter
nålen i høstakken,

23
00:01:09,783 --> 00:01:13,543
kan vi gøre brug af den gigantiske magnet
af computerkraft

24
00:01:13,567 --> 00:01:17,482
til at finde mange nåle
i adskillige høstakke samtidig.

25
00:01:18,423 --> 00:01:20,415
Vi kan allerede nu fremvise nogle resultater.

26
00:01:21,010 --> 00:01:26,475
For nyligt anvendte vi machine learning
til at opdage nye antibiotika

27
00:01:26,499 --> 00:01:29,059
der kan hjælpe os med at bekæmpe
bakterieinfektioner

28
00:01:29,083 --> 00:01:32,694
der kan forekomme som følge
af SARS-CoV-2 infektioner.

29
00:01:33,181 --> 00:01:37,350
For to måneder siden, godkendte
TED's Audacious Project vores finansiering

30
00:01:37,374 --> 00:01:39,562
til at opskalere vores arbejde massivt

31
00:01:39,586 --> 00:01:44,214
med målet om at opdage
syv nye antibiotikaklasser

32
00:01:44,238 --> 00:01:47,721
imod syv af verdens
dødelige bakterielle patogener

33
00:01:47,745 --> 00:01:49,800
over de næste syv år.

34
00:01:50,206 --> 00:01:51,939
Til sammenligning:

35
00:01:51,963 --> 00:01:53,891
antallet af nye antibiotikaklasser

36
00:01:53,915 --> 00:01:57,150
opdaget igennem de sidste tre årtier
er nul.

37
00:01:58,030 --> 00:02:01,601
Mens søgen efter ny antibiotika hører til
vores fremtid på mellemlang sigt,

38
00:02:01,625 --> 00:02:06,277
så udgør den nye coronavirus
en umiddelbar dødelig trussel

39
00:02:06,301 --> 00:02:10,094
og det glæder mig at dele, at vi tror på
at samme teknologi kan anvendes

40
00:02:10,118 --> 00:02:12,927
til at søge efter behandling
til at bekæmpe denne virus.

41
00:02:13,486 --> 00:02:15,205
Så hvordan vil vi gøre det?

42
00:02:15,229 --> 00:02:18,177
Vi opretter et sammensat træningsbibliotek

43
00:02:18,201 --> 00:02:23,743
hvor samarbejdspartnere påfører disse
molekyler på SARS-CoV-2-inficerede celler

44
00:02:23,767 --> 00:02:27,661
for at se hvilke af dem,
der udviser effektiv aktivitet.

45
00:02:28,175 --> 00:02:31,367
Denne data vil blive brugt til
at oplære en machine learning model

46
00:02:31,391 --> 00:02:35,461
der kan anvendes på en in silico
bibliotek med over en milliard molekyler

47
00:02:35,485 --> 00:02:39,689
for at søge efter potentielle
nye antivirale forbindelser.

48
00:02:40,324 --> 00:02:42,982
Vi vil syntetisere og teste
prioriterede forudsigelser

49
00:02:43,006 --> 00:02:45,895
og viderudvikle de mest lovende
kandidater i laboratoriet.

50
00:02:46,356 --> 00:02:48,134
Lyder det for godt til at være sandt?

51
00:02:48,158 --> 00:02:49,590
Det burde det ikke.

52
00:02:49,614 --> 00:02:52,939
The Antibiotics AI Project er grundlagt
på vores proof of concept forskning

53
00:02:52,963 --> 00:02:56,364
der førte til opdagelsen af
et nyt bredspektret antibiotikum

54
00:02:56,388 --> 00:02:57,573
med navnet Halocin.

55
00:02:58,443 --> 00:03:01,256
Halocin indeholder kraftig
antibakteriel aktivitet

56
00:03:01,280 --> 00:03:05,382
mod næsten alle antibiotikaresistente
bakterielle patogener

57
00:03:05,406 --> 00:03:09,047
heriblandt uhelbredelige pan-resistente
infektioner.

58
00:03:09,860 --> 00:03:11,156
Hvad vigtigere er, modsat

59
00:03:11,156 --> 00:03:12,156
nuværende antibiotika

60
00:03:12,156 --> 00:03:15,850
er hyppigheden af bakterier, der udvikler
resistens mod Halocin,

61
00:03:15,874 --> 00:03:17,358
bemærkelsesværdig lav.

62
00:03:18,303 --> 00:03:23,013
Vi testede bakteriernes evne
til at udvikle resistens mod Halocin

63
00:03:23,037 --> 00:03:24,825
såvel som Cipro i laboratoriet.

64
00:03:25,299 --> 00:03:26,841
For Cipro

65
00:03:26,865 --> 00:03:29,690
kunne vi spore resistens
efter bare én dag.

66
00:03:30,213 --> 00:03:31,691
For Halocin

67
00:03:31,715 --> 00:03:33,830
så vi ingen resistens efter en enkelt dag.

68
00:03:34,479 --> 00:03:37,781
Utroligt nok, efter 30 dage

69
00:03:37,805 --> 00:03:40,406
kunne vi stadig ikke spore resistens
mod Halocin.

70
00:03:41,098 --> 00:03:46,624
I dette pilotforsøg testede vi først
omkring 2.500 forbindelser mod E. coli.

71
00:03:47,259 --> 00:03:50,039
Dette træningsforsøg omfattede
kendte antibiotika

72
00:03:50,063 --> 00:03:51,809
såsom Cipro og penicillin,

73
00:03:51,833 --> 00:03:54,105
samt flere lægemidler,
der ikke er antibiotika.

74
00:03:54,984 --> 00:03:57,571
Vi brugte denne data til at oplære
en model

75
00:03:57,595 --> 00:04:01,573
i at forstå molekylære træk
forbundet med antibakteriel aktivitet.

76
00:04:02,269 --> 00:04:03,994
Vi anvendte derefter modellen

77
00:04:03,994 --> 00:04:04,994
i et bibliotek

78
00:04:04,994 --> 00:04:07,472
for genanvendelseslægemidler
bestående af flere tusinder molekyler

79
00:04:07,496 --> 00:04:10,114
til at identificere molekyler,

80
00:04:10,138 --> 00:04:12,922
der forventes
at have antibakterielle egenskaber

81
00:04:12,946 --> 00:04:15,419
men som ikke ligner
eksisterende antibiotika.

82
00:04:16,427 --> 00:04:21,224
Interessant nok, var der blot en enkelt
molekyle der svarede til disse kriterier

83
00:04:21,248 --> 00:04:23,584
og den molekyle var Halocin.

84
00:04:24,444 --> 00:04:27,532
Da Halocin ikke ligner
eksisterende antibiotika,

85
00:04:27,556 --> 00:04:31,710
ville det være umuligt for et menneske,
herunder en antibiotikaekspert,

86
00:04:31,734 --> 00:04:33,918
at identificere Halocin på denne måde.

87
00:04:34,574 --> 00:04:37,204
Forestil dig nu hvad vi kunne gøre
med denne teknologi

88
00:04:37,228 --> 00:04:38,969
mod SARS-CoV-2.

89
00:04:39,783 --> 00:04:41,148
Og det er ikke det hele.

90
00:04:41,172 --> 00:04:43,992
Vi anvender også redskaber som
syntesebiologi

91
00:04:44,016 --> 00:04:46,627
blandet med DNA og andet
cellulært maskineri,

92
00:04:46,651 --> 00:04:50,561
til at tjene menneskelige formål
som at bekæmpe COVID-19,

93
00:04:50,585 --> 00:04:54,232
og som sidebemærkning, arbejder vi
på at udvikle en beskyttelsesmaske

94
00:04:54,256 --> 00:04:57,688
der også kan fungere som
en hurtig diagnostisk test.

95
00:04:58,192 --> 00:04:59,664
Så hvordan fungerer det?

96
00:04:59,688 --> 00:05:00,893
Vi har for nyligt vist,

97
00:05:00,917 --> 00:05:03,860
at du kan udtage det cellulære maskineri
fra en levende celle

98
00:05:03,884 --> 00:05:07,976
og frysetørre det sammen med
RNA-sensorer på papir

99
00:05:08,000 --> 00:05:12,916
for at producere et billigt
diagnostisk redskab for Ebola og Zika.

100
00:05:13,503 --> 00:05:18,730
Sensorerne aktiveres når de rehydreres
af en patientprøve

101
00:05:18,754 --> 00:05:21,576
der kan bestå af blod eller spyt.

102
00:05:21,600 --> 00:05:24,861
Det viser sig, at denne teknologi
ikke begrænser sig til papir

103
00:05:24,885 --> 00:05:27,771
og kan anvendes på andre materialer,
såsom et stykke stof.

104
00:05:28,671 --> 00:05:30,613
For COVID-19 pandemien

105
00:05:30,637 --> 00:05:34,983
designer vi RNA-sensorer
til at opfange virussen

106
00:05:35,007 --> 00:05:38,217
og frysetørre disse sammen med
det nødvendige cellulære maskineri

107
00:05:38,241 --> 00:05:40,948
i stoffet på en ansigtsmaske

108
00:05:40,972 --> 00:05:43,201
hvor det at trække vejret,

109
00:05:43,225 --> 00:05:45,502
sammen med det vanddamp,
der følger med

110
00:05:45,526 --> 00:05:47,286
kan aktivere testen.

111
00:05:47,804 --> 00:05:52,064
Så hvis en patient er inficeret
med SARS-CoV-2,

112
00:05:52,088 --> 00:05:54,161
vil masken producere
et fluorescerende signal

113
00:05:54,185 --> 00:05:58,015
der kan opfanges via en simpel, billig
håndholdt enhed.

114
00:05:58,534 --> 00:06:03,018
På en eller to timer,
vil en patient kunne blive diagnosticeret

115
00:06:03,042 --> 00:06:06,014
sikkert, på afstand og præcist.

116
00:06:06,735 --> 00:06:09,255
Vi bruger også syntesebiologi

117
00:06:09,279 --> 00:06:11,999
til at designe en mulig
vaccine for COVID-19.

118
00:06:13,014 --> 00:06:15,667
Vi genanvender BCG vaccinen

119
00:06:15,691 --> 00:06:18,561
som er blevet brugt mod TB
i næsten et århundrede.

120
00:06:18,585 --> 00:06:20,126
Det er en levende svækket vaccine,

121
00:06:20,150 --> 00:06:24,807
som vi konstruerer til at udtrykke
SARS-CoV-2 antigener,

122
00:06:24,831 --> 00:06:27,645
hvilket vil udløse produktionen
af beskyttende antistoffer

123
00:06:27,669 --> 00:06:29,304
af immunsystemet.

124
00:06:29,328 --> 00:06:32,062
Oveni det er BCG betydelig skalerbar,

125
00:06:32,086 --> 00:06:36,659
og har en sikkerhedsprofil, der er blandt
de bedste af rapporterede vacciner.

126
00:06:37,881 --> 00:06:42,986
Med redskaber som syntesebiologi
og kunstig intelligens

127
00:06:43,010 --> 00:06:46,358
kan vi vinde kampen mod
denne nye coronavirus.

128
00:06:46,844 --> 00:06:50,163
Arbejdet er i de meget tidlige faser,
men løftet er reelt.

129
00:06:50,798 --> 00:06:54,243
Videnskab og teknologi kan give os
en afgørende fordel

130
00:06:54,267 --> 00:06:57,428
i opgøret mellem menneskelig forstand
og superbugs' gener,

131
00:06:57,452 --> 00:06:59,199
en kamp vi kan vinde.

132
00:06:59,990 --> 00:07:01,223
Tak.