0:00:00.917,0:00:03.825
Wie sollen wir dieses [br]neue Coronavirus besiegen?

0:00:04.317,0:00:06.948
Indem wir unsere besten Werkzeuge nutzen:

0:00:06.972,0:00:09.011
Wissenschaft und Technik

0:00:09.594,0:00:11.416
In meinem Labor benutzen wir Methoden

0:00:11.416,0:00:14.329
der künstlichen Intelligenz[br]und der synthetischen Biologie,

0:00:14.353,0:00:16.869
um den Kampf gegen diese [br]Pandemie zu beschleunigen.

0:00:16.869,0:00:19.941
Unsere Arbeit sollte ursprünglich

0:00:19.965,0:00:22.818
die Antibiotikaresistenzkrise lösen.

0:00:22.842,0:00:27.531
Wir wollen mit unserem Projekt die [br]Macht des maschinellen Lernens nutzen,

0:00:27.531,0:00:29.685
um unser antibiotisches [br]Arsenal zu erweitern

0:00:29.685,0:00:33.263
und eine global katastrophale[br]postantibiotische Ära zu vermeiden.

0:00:33.685,0:00:36.505
Wichtig ist, dass dieselbe Technologie[br]genutzt werden kann,

0:00:36.505,0:00:38.601
um nach antiviralen Wirkstoffen zu suchen,

0:00:38.625,0:00:41.223
die uns im Kampf gegen[br]die Pandemie helfen können

0:00:42.080,0:00:45.982
Maschinelles Lernen stellt die[br]bisherige Art der Wirkstoffentdeckung

0:00:46.006,0:00:47.410
auf den Kopf.

0:00:47.434,0:00:55.219
Anstatt mühevoll jedes einzelne [br]Molekül auf Effektivität zu testen,

0:00:55.219,0:00:57.769
können wir nun einen Computer trainieren,

0:00:57.769,0:01:00.513
einen größeren Raum mit allen

0:01:00.537,0:01:04.121
möglicherweise synthetisierbaren [br]Molekülen zu untersuchen.

0:01:04.163,0:01:08.935
Statt nach der Nadel[br]im Heuhaufen zu suchen,

0:01:08.935,0:01:13.543
können wir Rechenleistung nutzen,

0:01:13.567,0:01:17.482
um viele Nadeln in vielen [br]Heuhaufen gleichzeitig zu finden

0:01:18.423,0:01:20.415
Wir hatten bereits erste Erfolge.

0:01:21.010,0:01:26.475
Kürzlich nutzten wir maschinelles Lernen,[br]um neue Antibiotika zu finden,

0:01:26.499,0:01:29.059
die uns helfen könnten, [br]Infektionen zu bekämpfen,

0:01:29.083,0:01:32.694
die neben COVID-19 auftreten können.

0:01:33.181,0:01:37.350
Vor zwei Monaten sage das TED [br]Audacious Projekt uns Födergelder zu,

0:01:37.374,0:01:39.562
um unsere Arbeit auszuweiten

0:01:39.586,0:01:44.214
mit dem Ziel, sieben neue [br]Arten von Antibiotika

0:01:44.238,0:01:47.721
gegen sieben der tödlichsten[br]Krankheitserreger,

0:01:47.745,0:01:49.800
in den nächsten sieben Jahren zu finden.

0:01:50.206,0:01:51.939
Zum Vergleich:

0:01:51.963,0:01:56.075
Die Zahl der in den letzten [br]30 Jahren entdeckten Antibiotika

0:01:56.075,0:01:57.150
ist Null.

0:01:58.030,0:02:01.601
Während die Suche nach neuen Antibiotika[br]für die mittelfristige Zukunft ist,

0:02:01.625,0:02:06.277
stellt das Coronavirus eine [br]unmittelbar tödliche Gefahr dar.

0:02:06.301,0:02:10.094
Ich bin froh mitteilen zu können,[br]dass wir dieselbe Technologie

0:02:10.118,0:02:13.407
auf der Suche nach Heilmitteln[br]gegen das Virus nutzen können.

0:02:13.486,0:02:15.205
Wie also werden wir das tun?

0:02:15.229,0:02:18.177
Nun, wir entwickeln eine [br]Bibliothek aus Trainingsdaten,

0:02:18.201,0:02:23.743
in der wir verschiedene Moleküle[br]auf COVID-19-infizierte Zellen anwenden,

0:02:23.767,0:02:27.661
um zu sehen, welche davon Wirkung zeigen.

0:02:28.175,0:02:31.367
Diese Daten werden benutzt, [br]um ein Modell zu trainieren

0:02:31.391,0:02:35.461
und auf eine In-silico-Bibliothek mit [br]Milliarden von Molekülen anzuwenden,

0:02:35.485,0:02:39.689
um nach neuen, potenziellen[br]antiviralen Wirkstoffen zu suchen.

0:02:39.874,0:02:42.702
Wir werden die besten Prognosen[br]synthetisieren und testen,

0:02:42.702,0:02:46.315
um die vielversprechendsten Kandidaten[br]für die klinische Nutzen zu fördern.

0:02:46.356,0:02:48.134
Klingt zu schön um wahr zu sein?

0:02:48.158,0:02:49.590
Nun, das sollte es nicht.

0:02:49.614,0:02:53.443
Das Antibiotics AI-Project wurde aufgrund[br]eines Wirksamkeitsnachweises gegründet,

0:02:53.443,0:02:56.364
das zur Entdeckung eines neuen[br]Breitbandantibiotikums,

0:02:56.388,0:02:57.573
Halocin, führte.

0:02:58.443,0:03:01.256
Halocin besitzt potente [br]antibakterielle Aktivität

0:03:01.280,0:03:05.382
gegen fast alle antibiotikaresistenten[br]bakteriellen Erreger,

0:03:05.406,0:03:09.047
inklusive unheilbarer,[br]hochresistenter Infektionen

0:03:09.772,0:03:12.132
Die Häufigkeit der Resistenzentwicklung

0:03:12.156,0:03:15.850
gegen Halocin, im Gegensatz [br]zu aktuellen Antibiotika,

0:03:15.874,0:03:17.358
ist sehr gering.

0:03:18.303,0:03:20.905
Wir testeten im Labor[br]die Fähigkeit von Bakterien,

0:03:20.905,0:03:25.195
gegen Halocin und Cipro [br]eine Resistenz zu entwickeln.

0:03:25.299,0:03:29.491
Bei Cipro entwickelte sich bereits [br]nach einem Tag eine Resistenz.

0:03:30.213,0:03:31.691
Was Halocin betrifft,

0:03:31.715,0:03:34.330
sahen wir nach einem Tag keine Resistenz.

0:03:34.479,0:03:35.521
Überraschenderweise,

0:03:35.521,0:03:40.406
auch nach 30 Tagen nicht.

0:03:41.098,0:03:46.624
In diesem ersten Projekt testeten wir [br]ca. 2500 Verbindungen gegen E.coli.

0:03:47.259,0:03:50.039
Der Trainingssatz enthielt[br]bekannte Antibiotika,

0:03:50.063,0:03:51.809
wie Cipro und Penicillin

0:03:51.833,0:03:54.885
und auch viele Medikamente,[br]die keine Antibiotika sind.

0:03:54.984,0:03:57.571
Diese Daten nutzten wir,[br]um ein Modell zu trainieren,

0:03:57.595,0:04:01.573
molekulare Strukturen mit [br]antibakterieller Aktivität zu erkennen.

0:04:02.269,0:04:03.860
Danach wendeten wir dieses Modell

0:04:03.860,0:04:05.752
auf eine Medikamentenbibliothek an,

0:04:05.752,0:04:07.914
die aus mehreren Tausend [br]Molekülen besteht.

0:04:07.948,0:04:10.148
Es sollte Moleküle identifizieren,

0:04:10.148,0:04:12.713
die antibakterielle[br]Fähigkeiten haben könnten,

0:04:12.713,0:04:16.423
aber nicht wie bekannte [br]Antibiotika aussehen.

0:04:16.427,0:04:21.224
Interessanterweise entsprach nur [br]ein Molekül diesen Kriterien

0:04:21.248,0:04:23.584
und dieses Molekül war Halocin.

0:04:24.444,0:04:27.532
Da Halocin nicht wie ein[br]bekanntes Antibiotikum aussieht,

0:04:27.556,0:04:31.710
wäre es für Menschen unmöglich gewesen,

0:04:31.734,0:04:34.218
Halocin auf diese Weise zu identifizieren.

0:04:34.574,0:04:37.204
Stellen Sie sich vor, [br]was wir mit dieser Technologie

0:04:37.228,0:04:38.969
gegen COVID-19 machen könnten.

0:04:39.433,0:04:41.148
Und das ist noch nicht alles.

0:04:41.172,0:04:43.992
Wir nutzen die Mittel [br]der synthetischen Biologie auch,

0:04:43.992,0:04:46.651
um an DNS und anderen [br]Zellbestandteilen herumzutüfteln,

0:04:46.651,0:04:50.561
um der Menschheit, u.a. im Kampf[br]gegen das Coronavirus, zu dienen.

0:04:50.585,0:04:54.232
Außerdem arbeiten wir [br]an einer Schutzmaske,

0:04:54.256,0:04:57.688
die gleichzeitig als Schnelltest dient.

0:04:58.192,0:04:59.664
Wie funktioniert das?

0:04:59.688,0:05:00.893
Wir zeigten kürzlich,

0:05:00.893,0:05:04.264
dass man die Zellmaschinerie[br]aus einer lebenden Zelle extrahieren

0:05:04.264,0:05:07.976
und zusammen mit RNS-Sensoren[br]auf Papier gefriertrocknen kann,

0:05:08.000,0:05:12.916
um billige Diagnosen [br]für Ebola und Zika herzustellen.

0:05:13.503,0:05:18.264
Die Sensoren werden aktiviert,[br]sobald sie durch eine Patientenprobe,

0:05:18.264,0:05:21.576
wie Blut oder Speichel, rehydriert werden.

0:05:21.600,0:05:25.125
Es hat sich herausgestellt, dass[br]diese Technologie nicht nur auf Papier,

0:05:25.125,0:05:28.501
sondern auch anderen Materialien, [br]wie Kleidung, anwendbar ist.

0:05:28.671,0:05:30.613
Aufgrund der COVID-19 Pandemie,

0:05:30.637,0:05:34.983
arbeiten wir an RNS-Sensoren,[br]die das Virus entdecken

0:05:35.007,0:05:38.217
und daran, diese mit der Zellmaschinerie

0:05:38.241,0:05:40.948
direkt in der Maske gefrierzutrocknen.

0:05:40.972,0:05:43.201
Dann kann Atmung,

0:05:43.225,0:05:45.502
mit dem Wasserdampf, der damit einhergeht,

0:05:45.526,0:05:47.286
den Test aktivieren.

0:05:47.804,0:05:52.064
Somit wird die Maske,[br]wenn eine Infektion vorliegt,

0:05:52.088,0:05:54.161
ein fluoreszierendes Signal produzieren,

0:05:54.185,0:05:58.015
das durch ein einfaches, billiges[br]und handliches Gerät erkannt wird.

0:05:58.534,0:06:03.018
So kann ein Patient binnen 1-2 Stunden

0:06:03.042,0:06:06.014
sicher, extern und präzise[br]diagnostiziert werden.

0:06:06.735,0:06:09.255
Wir nutzen synthetische Biologie auch,

0:06:09.279,0:06:11.999
um einen Impfstoff für [br]Covid-19 zu entwickeln.

0:06:13.014,0:06:15.767
Wir funktionieren den [br]Tuberkulose-Impfstoff um,

0:06:15.767,0:06:18.561
der schon fast ein Jahrhundert [br]lang eingesetzt wurde.

0:06:18.585,0:06:20.126
Es ist ein Lebendimpfstoff

0:06:20.150,0:06:24.807
und wir entwickeln ihn so,[br]dass er COVID-19 Antigene aufweist,

0:06:24.831,0:06:27.265
die die Produktion von [br]schützenden Antikörpern

0:06:27.265,0:06:29.304
durch das Immunsystem anregen sollen.

0:06:29.328,0:06:32.486
Der Tuberkulose-Impfstoff kann in [br]großer Menge hergestellt werden

0:06:32.486,0:06:36.659
und ist eines der sichersten Impfstoffe.

0:06:37.881,0:06:42.986
Mithilfe synthetischer Biologie [br]und künstlicher Intelligenz

0:06:43.010,0:06:46.358
können wir den Kampf[br]gegen das Coronavirus gewinnen.

0:06:46.824,0:06:50.633
Diese Arbeit ist in der Entwicklungsphase,[br]jedoch sehr vielversprechend.

0:06:50.798,0:06:54.243
Wissenschaft und Technik[br]geben uns einen wichtigen Vorteil

0:06:54.267,0:06:57.428
im Kampf des Menschen gegen [br]die Gene von Super-Viren.

0:06:57.452,0:06:59.799
Ein Kampf, den wir gewinnen können.

0:06:59.990,0:07:01.223
Vielen Dank.