1
00:00:00,917 --> 00:00:03,825
Wie sollen wir dieses 
neue Coronavirus besiegen?

2
00:00:04,317 --> 00:00:06,948
Indem wir unsere besten Werkzeuge nutzen:

3
00:00:06,972 --> 00:00:09,011
Wissenschaft und Technik

4
00:00:09,594 --> 00:00:11,416
In meinem Labor benutzen wir Methoden

5
00:00:11,416 --> 00:00:14,329
der künstlichen Intelligenz
und der synthetischen Biologie,

6
00:00:14,353 --> 00:00:16,869
um den Kampf gegen diese 
Pandemie zu beschleunigen.

7
00:00:16,869 --> 00:00:19,941
Unsere Arbeit sollte ursprünglich

8
00:00:19,965 --> 00:00:22,818
die Antibiotikaresistenzkrise lösen.

9
00:00:22,842 --> 00:00:27,531
Wir wollen mit unserem Projekt die 
Macht des maschinellen Lernens nutzen,

10
00:00:27,531 --> 00:00:29,685
um unser antibiotisches 
Arsenal zu erweitern

11
00:00:29,685 --> 00:00:33,263
und eine global katastrophale
postantibiotische Ära zu vermeiden.

12
00:00:33,685 --> 00:00:36,505
Wichtig ist, dass dieselbe Technologie
genutzt werden kann,

13
00:00:36,505 --> 00:00:38,601
um nach antiviralen Wirkstoffen zu suchen,

14
00:00:38,625 --> 00:00:41,223
die uns im Kampf gegen
die Pandemie helfen können

15
00:00:42,080 --> 00:00:45,982
Maschinelles Lernen stellt die
bisherige Art der Wirkstoffentdeckung

16
00:00:46,006 --> 00:00:47,410
auf den Kopf.

17
00:00:47,434 --> 00:00:55,219
Anstatt mühevoll jedes einzelne 
Molekül auf Effektivität zu testen,

18
00:00:55,219 --> 00:00:57,769
können wir nun einen Computer trainieren,

19
00:00:57,769 --> 00:01:00,513
einen größeren Raum mit allen

20
00:01:00,537 --> 00:01:04,121
möglicherweise synthetisierbaren 
Molekülen zu untersuchen.

21
00:01:04,163 --> 00:01:08,935
Statt nach der Nadel
im Heuhaufen zu suchen,

22
00:01:08,935 --> 00:01:13,543
können wir Rechenleistung nutzen,

23
00:01:13,567 --> 00:01:17,482
um viele Nadeln in vielen 
Heuhaufen gleichzeitig zu finden

24
00:01:18,423 --> 00:01:20,415
Wir hatten bereits erste Erfolge.

25
00:01:21,010 --> 00:01:26,475
Kürzlich nutzten wir maschinelles Lernen,
um neue Antibiotika zu finden,

26
00:01:26,499 --> 00:01:29,059
die uns helfen könnten, 
Infektionen zu bekämpfen,

27
00:01:29,083 --> 00:01:32,694
die neben COVID-19 auftreten können.

28
00:01:33,181 --> 00:01:37,350
Vor zwei Monaten sage das TED 
Audacious Projekt uns Födergelder zu,

29
00:01:37,374 --> 00:01:39,562
um unsere Arbeit auszuweiten

30
00:01:39,586 --> 00:01:44,214
mit dem Ziel, sieben neue 
Arten von Antibiotika

31
00:01:44,238 --> 00:01:47,721
gegen sieben der tödlichsten
Krankheitserreger,

32
00:01:47,745 --> 00:01:49,800
in den nächsten sieben Jahren zu finden.

33
00:01:50,206 --> 00:01:51,939
Zum Vergleich:

34
00:01:51,963 --> 00:01:56,075
Die Zahl der in den letzten 
30 Jahren entdeckten Antibiotika

35
00:01:56,075 --> 00:01:57,150
ist Null.

36
00:01:58,030 --> 00:02:01,601
Während die Suche nach neuen Antibiotika
für die mittelfristige Zukunft ist,

37
00:02:01,625 --> 00:02:06,277
stellt das Coronavirus eine 
unmittelbar tödliche Gefahr dar.

38
00:02:06,301 --> 00:02:10,094
Ich bin froh mitteilen zu können,
dass wir dieselbe Technologie

39
00:02:10,118 --> 00:02:13,407
auf der Suche nach Heilmitteln
gegen das Virus nutzen können.

40
00:02:13,486 --> 00:02:15,205
Wie also werden wir das tun?

41
00:02:15,229 --> 00:02:18,177
Nun, wir entwickeln eine 
Bibliothek aus Trainingsdaten,

42
00:02:18,201 --> 00:02:23,743
in der wir verschiedene Moleküle
auf COVID-19-infizierte Zellen anwenden,

43
00:02:23,767 --> 00:02:27,661
um zu sehen, welche davon Wirkung zeigen.

44
00:02:28,175 --> 00:02:31,367
Diese Daten werden benutzt, 
um ein Modell zu trainieren

45
00:02:31,391 --> 00:02:35,461
und auf eine In-silico-Bibliothek mit 
Milliarden von Molekülen anzuwenden,

46
00:02:35,485 --> 00:02:39,689
um nach neuen, potenziellen
antiviralen Wirkstoffen zu suchen.

47
00:02:39,874 --> 00:02:42,702
Wir werden die besten Prognosen
synthetisieren und testen,

48
00:02:42,702 --> 00:02:46,315
um die vielversprechendsten Kandidaten
für die klinische Nutzen zu fördern.

49
00:02:46,356 --> 00:02:48,134
Klingt zu schön um wahr zu sein?

50
00:02:48,158 --> 00:02:49,590
Nun, das sollte es nicht.

51
00:02:49,614 --> 00:02:53,443
Das Antibiotics AI-Project wurde aufgrund
eines Wirksamkeitsnachweises gegründet,

52
00:02:53,443 --> 00:02:56,364
das zur Entdeckung eines neuen
Breitbandantibiotikums,

53
00:02:56,388 --> 00:02:57,573
Halocin, führte.

54
00:02:58,443 --> 00:03:01,256
Halocin besitzt potente 
antibakterielle Aktivität

55
00:03:01,280 --> 00:03:05,382
gegen fast alle antibiotikaresistenten
bakteriellen Erreger,

56
00:03:05,406 --> 00:03:09,047
inklusive unheilbarer,
hochresistenter Infektionen

57
00:03:09,772 --> 00:03:12,132
Die Häufigkeit der Resistenzentwicklung

58
00:03:12,156 --> 00:03:15,850
gegen Halocin, im Gegensatz 
zu aktuellen Antibiotika,

59
00:03:15,874 --> 00:03:17,358
ist sehr gering.

60
00:03:18,303 --> 00:03:20,905
Wir testeten im Labor
die Fähigkeit von Bakterien,

61
00:03:20,905 --> 00:03:25,195
gegen Halocin und Cipro 
eine Resistenz zu entwickeln.

62
00:03:25,299 --> 00:03:29,491
Bei Cipro entwickelte sich bereits 
nach einem Tag eine Resistenz.

63
00:03:30,213 --> 00:03:31,691
Was Halocin betrifft,

64
00:03:31,715 --> 00:03:34,330
sahen wir nach einem Tag keine Resistenz.

65
00:03:34,479 --> 00:03:35,521
Überraschenderweise,

66
00:03:35,521 --> 00:03:40,406
auch nach 30 Tagen nicht.

67
00:03:41,098 --> 00:03:46,624
In diesem ersten Projekt testeten wir 
ca. 2500 Verbindungen gegen E.coli.

68
00:03:47,259 --> 00:03:50,039
Der Trainingssatz enthielt
bekannte Antibiotika,

69
00:03:50,063 --> 00:03:51,809
wie Cipro und Penicillin

70
00:03:51,833 --> 00:03:54,885
und auch viele Medikamente,
die keine Antibiotika sind.

71
00:03:54,984 --> 00:03:57,571
Diese Daten nutzten wir,
um ein Modell zu trainieren,

72
00:03:57,595 --> 00:04:01,573
molekulare Strukturen mit 
antibakterieller Aktivität zu erkennen.

73
00:04:02,269 --> 00:04:03,860
Danach wendeten wir dieses Modell

74
00:04:03,860 --> 00:04:05,752
auf eine Medikamentenbibliothek an,

75
00:04:05,752 --> 00:04:07,914
die aus mehreren Tausend 
Molekülen besteht.

76
00:04:07,948 --> 00:04:10,148
Es sollte Moleküle identifizieren,

77
00:04:10,148 --> 00:04:12,713
die antibakterielle
Fähigkeiten haben könnten,

78
00:04:12,713 --> 00:04:16,423
aber nicht wie bekannte 
Antibiotika aussehen.

79
00:04:16,427 --> 00:04:21,224
Interessanterweise entsprach nur 
ein Molekül diesen Kriterien

80
00:04:21,248 --> 00:04:23,584
und dieses Molekül war Halocin.

81
00:04:24,444 --> 00:04:27,532
Da Halocin nicht wie ein
bekanntes Antibiotikum aussieht,

82
00:04:27,556 --> 00:04:31,710
wäre es für Menschen unmöglich gewesen,

83
00:04:31,734 --> 00:04:34,218
Halocin auf diese Weise zu identifizieren.

84
00:04:34,574 --> 00:04:37,204
Stellen Sie sich vor, 
was wir mit dieser Technologie

85
00:04:37,228 --> 00:04:38,969
gegen COVID-19 machen könnten.

86
00:04:39,433 --> 00:04:41,148
Und das ist noch nicht alles.

87
00:04:41,172 --> 00:04:43,992
Wir nutzen die Mittel 
der synthetischen Biologie auch,

88
00:04:43,992 --> 00:04:46,651
um an DNS und anderen 
Zellbestandteilen herumzutüfteln,

89
00:04:46,651 --> 00:04:50,561
um der Menschheit, u.a. im Kampf
gegen das Coronavirus, zu dienen.

90
00:04:50,585 --> 00:04:54,232
Außerdem arbeiten wir 
an einer Schutzmaske,

91
00:04:54,256 --> 00:04:57,688
die gleichzeitig als Schnelltest dient.

92
00:04:58,192 --> 00:04:59,664
Wie funktioniert das?

93
00:04:59,688 --> 00:05:00,893
Wir zeigten kürzlich,

94
00:05:00,893 --> 00:05:04,264
dass man die Zellmaschinerie
aus einer lebenden Zelle extrahieren

95
00:05:04,264 --> 00:05:07,976
und zusammen mit RNS-Sensoren
auf Papier gefriertrocknen kann,

96
00:05:08,000 --> 00:05:12,916
um billige Diagnosen 
für Ebola und Zika herzustellen.

97
00:05:13,503 --> 00:05:18,264
Die Sensoren werden aktiviert,
sobald sie durch eine Patientenprobe,

98
00:05:18,264 --> 00:05:21,576
wie Blut oder Speichel, rehydriert werden.

99
00:05:21,600 --> 00:05:25,125
Es hat sich herausgestellt, dass
diese Technologie nicht nur auf Papier,

100
00:05:25,125 --> 00:05:28,501
sondern auch anderen Materialien, 
wie Kleidung, anwendbar ist.

101
00:05:28,671 --> 00:05:30,613
Aufgrund der COVID-19 Pandemie,

102
00:05:30,637 --> 00:05:34,983
arbeiten wir an RNS-Sensoren,
die das Virus entdecken

103
00:05:35,007 --> 00:05:38,217
und daran, diese mit der Zellmaschinerie

104
00:05:38,241 --> 00:05:40,948
direkt in der Maske gefrierzutrocknen.

105
00:05:40,972 --> 00:05:43,201
Dann kann Atmung,

106
00:05:43,225 --> 00:05:45,502
mit dem Wasserdampf, der damit einhergeht,

107
00:05:45,526 --> 00:05:47,286
den Test aktivieren.

108
00:05:47,804 --> 00:05:52,064
Somit wird die Maske,
wenn eine Infektion vorliegt,

109
00:05:52,088 --> 00:05:54,161
ein fluoreszierendes Signal produzieren,

110
00:05:54,185 --> 00:05:58,015
das durch ein einfaches, billiges
und handliches Gerät erkannt wird.

111
00:05:58,534 --> 00:06:03,018
So kann ein Patient binnen 1-2 Stunden

112
00:06:03,042 --> 00:06:06,014
sicher, extern und präzise
diagnostiziert werden.

113
00:06:06,735 --> 00:06:09,255
Wir nutzen synthetische Biologie auch,

114
00:06:09,279 --> 00:06:11,999
um einen Impfstoff für 
Covid-19 zu entwickeln.

115
00:06:13,014 --> 00:06:15,767
Wir funktionieren den 
Tuberkulose-Impfstoff um,

116
00:06:15,767 --> 00:06:18,561
der schon fast ein Jahrhundert 
lang eingesetzt wurde.

117
00:06:18,585 --> 00:06:20,126
Es ist ein Lebendimpfstoff

118
00:06:20,150 --> 00:06:24,807
und wir entwickeln ihn so,
dass er COVID-19 Antigene aufweist,

119
00:06:24,831 --> 00:06:27,265
die die Produktion von 
schützenden Antikörpern

120
00:06:27,265 --> 00:06:29,304
durch das Immunsystem anregen sollen.

121
00:06:29,328 --> 00:06:32,486
Der Tuberkulose-Impfstoff kann in 
großer Menge hergestellt werden

122
00:06:32,486 --> 00:06:36,659
und ist eines der sichersten Impfstoffe.

123
00:06:37,881 --> 00:06:42,986
Mithilfe synthetischer Biologie 
und künstlicher Intelligenz

124
00:06:43,010 --> 00:06:46,358
können wir den Kampf
gegen das Coronavirus gewinnen.

125
00:06:46,824 --> 00:06:50,633
Diese Arbeit ist in der Entwicklungsphase,
jedoch sehr vielversprechend.

126
00:06:50,798 --> 00:06:54,243
Wissenschaft und Technik
geben uns einen wichtigen Vorteil

127
00:06:54,267 --> 00:06:57,428
im Kampf des Menschen gegen 
die Gene von Super-Viren.

128
00:06:57,452 --> 00:06:59,799
Ein Kampf, den wir gewinnen können.

129
00:06:59,990 --> 00:07:01,223
Vielen Dank.