WEBVTT

00:00:00.917 --> 00:00:03.825
Wie sollen wir dieses 
neue Coronavirus besiegen?

00:00:04.317 --> 00:00:06.948
Indem wir unsere besten Werkzeuge nutzen:

00:00:06.972 --> 00:00:09.011
Wissenschaft und Technik

00:00:09.594 --> 00:00:11.416
In meinem Labor benutzen wir Methoden

00:00:11.416 --> 00:00:14.329
der künstlichen Intelligenz
und der synthetischen Biologie,

00:00:14.353 --> 00:00:16.869
um den Kampf gegen diese 
Pandemie zu beschleunigen.

00:00:16.869 --> 00:00:19.941
Unsere Arbeit sollte ursprünglich

00:00:19.965 --> 00:00:22.818
die Antibiotikaresistenzkrise lösen.

00:00:22.842 --> 00:00:27.531
Wir wollen mit unserem Projekt die 
Macht des maschinellen Lernens nutzen,

00:00:27.531 --> 00:00:29.685
um unser antibiotisches 
Arsenal zu erweitern

00:00:29.685 --> 00:00:33.263
und eine global katastrophale
postantibiotische Ära zu vermeiden.

00:00:33.685 --> 00:00:36.505
Wichtig ist, dass dieselbe Technologie
genutzt werden kann,

00:00:36.505 --> 00:00:38.601
um nach antiviralen Wirkstoffen zu suchen,

00:00:38.625 --> 00:00:41.223
die uns im Kampf gegen
die Pandemie helfen können

NOTE Paragraph

00:00:42.080 --> 00:00:45.982
Maschinelles Lernen stellt die
bisherige Art der Wirkstoffentdeckung

00:00:46.006 --> 00:00:47.410
auf den Kopf.

00:00:47.434 --> 00:00:55.219
Anstatt mühevoll jedes einzelne 
Molekül auf Effektivität zu testen,

00:00:55.219 --> 00:00:57.769
können wir nun einen Computer trainieren,

00:00:57.769 --> 00:01:00.513
einen größeren Raum mit allen

00:01:00.537 --> 00:01:04.121
möglicherweise synthetisierbaren 
Molekülen zu untersuchen.

00:01:04.163 --> 00:01:08.935
Statt nach der Nadel
im Heuhaufen zu suchen,

00:01:08.935 --> 00:01:13.543
können wir Rechenleistung nutzen,

00:01:13.567 --> 00:01:17.482
um viele Nadeln in vielen 
Heuhaufen gleichzeitig zu finden

NOTE Paragraph

00:01:18.423 --> 00:01:20.415
Wir hatten bereits erste Erfolge.

00:01:21.010 --> 00:01:26.475
Kürzlich nutzten wir maschinelles Lernen,
um neue Antibiotika zu finden,

00:01:26.499 --> 00:01:29.059
die uns helfen könnten, 
Infektionen zu bekämpfen,

00:01:29.083 --> 00:01:32.694
die neben COVID-19 auftreten können.

00:01:33.181 --> 00:01:37.350
Vor zwei Monaten sage das TED 
Audacious Projekt uns Födergelder zu,

00:01:37.374 --> 00:01:39.562
um unsere Arbeit auszuweiten

00:01:39.586 --> 00:01:44.214
mit dem Ziel, sieben neue 
Arten von Antibiotika

00:01:44.238 --> 00:01:47.721
gegen sieben der tödlichsten
Krankheitserreger,

NOTE Paragraph

00:01:47.745 --> 00:01:49.800
in den nächsten sieben Jahren zu finden.

00:01:50.206 --> 00:01:51.939
Zum Vergleich:

00:01:51.963 --> 00:01:56.075
Die Zahl der in den letzten 
30 Jahren entdeckten Antibiotika

00:01:56.075 --> 00:01:57.150
ist Null.

NOTE Paragraph

00:01:58.030 --> 00:02:01.601
Während die Suche nach neuen Antibiotika
für die mittelfristige Zukunft ist,

00:02:01.625 --> 00:02:06.277
stellt das Coronavirus eine 
unmittelbar tödliche Gefahr dar.

00:02:06.301 --> 00:02:10.094
Ich bin froh mitteilen zu können,
dass wir dieselbe Technologie

00:02:10.118 --> 00:02:13.407
auf der Suche nach Heilmitteln
gegen das Virus nutzen können.

00:02:13.486 --> 00:02:15.205
Wie also werden wir das tun?

00:02:15.229 --> 00:02:18.177
Nun, wir entwickeln eine 
Bibliothek aus Trainingsdaten,

00:02:18.201 --> 00:02:23.743
in der wir verschiedene Moleküle
auf COVID-19-infizierte Zellen anwenden,

00:02:23.767 --> 00:02:27.661
um zu sehen, welche davon Wirkung zeigen.

00:02:28.175 --> 00:02:31.367
Diese Daten werden benutzt, 
um ein Modell zu trainieren

00:02:31.391 --> 00:02:35.461
und auf eine In-silico-Bibliothek mit 
Milliarden von Molekülen anzuwenden,

00:02:35.485 --> 00:02:39.689
um nach neuen, potenziellen
antiviralen Wirkstoffen zu suchen.

00:02:39.874 --> 00:02:42.702
Wir werden die besten Prognosen
synthetisieren und testen,

00:02:42.702 --> 00:02:46.315
um die vielversprechendsten Kandidaten
für die klinische Nutzen zu fördern.

NOTE Paragraph

00:02:46.356 --> 00:02:48.134
Klingt zu schön um wahr zu sein?

00:02:48.158 --> 00:02:49.590
Nun, das sollte es nicht.

00:02:49.614 --> 00:02:53.443
Das Antibiotics AI-Project wurde aufgrund
eines Wirksamkeitsnachweises gegründet,

00:02:53.443 --> 00:02:56.364
das zur Entdeckung eines neuen
Breitbandantibiotikums,

00:02:56.388 --> 00:02:57.573
Halocin, führte.

00:02:58.443 --> 00:03:01.256
Halocin besitzt potente 
antibakterielle Aktivität

00:03:01.280 --> 00:03:05.382
gegen fast alle antibiotikaresistenten
bakteriellen Erreger,

00:03:05.406 --> 00:03:09.047
inklusive unheilbarer,
hochresistenter Infektionen

00:03:09.772 --> 00:03:12.132
Die Häufigkeit der Resistenzentwicklung

00:03:12.156 --> 00:03:15.850
gegen Halocin, im Gegensatz 
zu aktuellen Antibiotika,

00:03:15.874 --> 00:03:17.358
ist sehr gering.

00:03:18.303 --> 00:03:20.905
Wir testeten im Labor
die Fähigkeit von Bakterien,

00:03:20.905 --> 00:03:25.195
gegen Halocin und Cipro 
eine Resistenz zu entwickeln.

00:03:25.299 --> 00:03:29.491
Bei Cipro entwickelte sich bereits 
nach einem Tag eine Resistenz.

00:03:30.213 --> 00:03:31.691
Was Halocin betrifft,

00:03:31.715 --> 00:03:34.330
sahen wir nach einem Tag keine Resistenz.

00:03:34.479 --> 00:03:35.521
Überraschenderweise,

00:03:35.521 --> 00:03:40.406
auch nach 30 Tagen nicht.

NOTE Paragraph

00:03:41.098 --> 00:03:46.624
In diesem ersten Projekt testeten wir 
ca. 2500 Verbindungen gegen E.coli.

00:03:47.259 --> 00:03:50.039
Der Trainingssatz enthielt
bekannte Antibiotika,

00:03:50.063 --> 00:03:51.809
wie Cipro und Penicillin

00:03:51.833 --> 00:03:54.885
und auch viele Medikamente,
die keine Antibiotika sind.

00:03:54.984 --> 00:03:57.571
Diese Daten nutzten wir,
um ein Modell zu trainieren,

00:03:57.595 --> 00:04:01.573
molekulare Strukturen mit 
antibakterieller Aktivität zu erkennen.

00:04:02.269 --> 00:04:03.860
Danach wendeten wir dieses Modell

00:04:03.860 --> 00:04:05.752
auf eine Medikamentenbibliothek an,

00:04:05.752 --> 00:04:07.914
die aus mehreren Tausend 
Molekülen besteht.

00:04:07.948 --> 00:04:10.148
Es sollte Moleküle identifizieren,

00:04:10.148 --> 00:04:12.713
die antibakterielle
Fähigkeiten haben könnten,

00:04:12.713 --> 00:04:16.423
aber nicht wie bekannte 
Antibiotika aussehen.

00:04:16.427 --> 00:04:21.224
Interessanterweise entsprach nur 
ein Molekül diesen Kriterien

00:04:21.248 --> 00:04:23.584
und dieses Molekül war Halocin.

00:04:24.444 --> 00:04:27.532
Da Halocin nicht wie ein
bekanntes Antibiotikum aussieht,

00:04:27.556 --> 00:04:31.710
wäre es für Menschen unmöglich gewesen,

00:04:31.734 --> 00:04:34.218
Halocin auf diese Weise zu identifizieren.

00:04:34.574 --> 00:04:37.204
Stellen Sie sich vor, 
was wir mit dieser Technologie

00:04:37.228 --> 00:04:38.969
gegen COVID-19 machen könnten.

NOTE Paragraph

00:04:39.433 --> 00:04:41.148
Und das ist noch nicht alles.

00:04:41.172 --> 00:04:43.992
Wir nutzen die Mittel 
der synthetischen Biologie auch,

00:04:43.992 --> 00:04:46.651
um an DNS und anderen 
Zellbestandteilen herumzutüfteln,

00:04:46.651 --> 00:04:50.561
um der Menschheit, u.a. im Kampf
gegen das Coronavirus, zu dienen.

00:04:50.585 --> 00:04:54.232
Außerdem arbeiten wir 
an einer Schutzmaske,

00:04:54.256 --> 00:04:57.688
die gleichzeitig als Schnelltest dient.

00:04:58.192 --> 00:04:59.664
Wie funktioniert das?

00:04:59.688 --> 00:05:00.893
Wir zeigten kürzlich,

00:05:00.893 --> 00:05:04.264
dass man die Zellmaschinerie
aus einer lebenden Zelle extrahieren

00:05:04.264 --> 00:05:07.976
und zusammen mit RNS-Sensoren
auf Papier gefriertrocknen kann,

00:05:08.000 --> 00:05:12.916
um billige Diagnosen 
für Ebola und Zika herzustellen.

00:05:13.503 --> 00:05:18.264
Die Sensoren werden aktiviert,
sobald sie durch eine Patientenprobe,

00:05:18.264 --> 00:05:21.576
wie Blut oder Speichel, rehydriert werden.

00:05:21.600 --> 00:05:25.125
Es hat sich herausgestellt, dass
diese Technologie nicht nur auf Papier,

00:05:25.125 --> 00:05:28.501
sondern auch anderen Materialien, 
wie Kleidung, anwendbar ist.

00:05:28.671 --> 00:05:30.613
Aufgrund der COVID-19 Pandemie,

00:05:30.637 --> 00:05:34.983
arbeiten wir an RNS-Sensoren,
die das Virus entdecken

00:05:35.007 --> 00:05:38.217
und daran, diese mit der Zellmaschinerie

00:05:38.241 --> 00:05:40.948
direkt in der Maske gefrierzutrocknen.

00:05:40.972 --> 00:05:43.201
Dann kann Atmung,

00:05:43.225 --> 00:05:45.502
mit dem Wasserdampf, der damit einhergeht,

00:05:45.526 --> 00:05:47.286
den Test aktivieren.

00:05:47.804 --> 00:05:52.064
Somit wird die Maske,
wenn eine Infektion vorliegt,

00:05:52.088 --> 00:05:54.161
ein fluoreszierendes Signal produzieren,

00:05:54.185 --> 00:05:58.015
das durch ein einfaches, billiges
und handliches Gerät erkannt wird.

00:05:58.534 --> 00:06:03.018
So kann ein Patient binnen 1-2 Stunden

00:06:03.042 --> 00:06:06.014
sicher, extern und präzise
diagnostiziert werden.

NOTE Paragraph

00:06:06.735 --> 00:06:09.255
Wir nutzen synthetische Biologie auch,

00:06:09.279 --> 00:06:11.999
um einen Impfstoff für 
Covid-19 zu entwickeln.

00:06:13.014 --> 00:06:15.767
Wir funktionieren den 
Tuberkulose-Impfstoff um,

00:06:15.767 --> 00:06:18.561
der schon fast ein Jahrhundert 
lang eingesetzt wurde.

00:06:18.585 --> 00:06:20.126
Es ist ein Lebendimpfstoff

00:06:20.150 --> 00:06:24.807
und wir entwickeln ihn so,
dass er COVID-19 Antigene aufweist,

00:06:24.831 --> 00:06:27.265
die die Produktion von 
schützenden Antikörpern

00:06:27.265 --> 00:06:29.304
durch das Immunsystem anregen sollen.

00:06:29.328 --> 00:06:32.486
Der Tuberkulose-Impfstoff kann in 
großer Menge hergestellt werden

00:06:32.486 --> 00:06:36.659
und ist eines der sichersten Impfstoffe.

NOTE Paragraph

00:06:37.881 --> 00:06:42.986
Mithilfe synthetischer Biologie 
und künstlicher Intelligenz

00:06:43.010 --> 00:06:46.358
können wir den Kampf
gegen das Coronavirus gewinnen.

00:06:46.824 --> 00:06:50.633
Diese Arbeit ist in der Entwicklungsphase,
jedoch sehr vielversprechend.

00:06:50.798 --> 00:06:54.243
Wissenschaft und Technik
geben uns einen wichtigen Vorteil

00:06:54.267 --> 00:06:57.428
im Kampf des Menschen gegen 
die Gene von Super-Viren.

00:06:57.452 --> 00:06:59.799
Ein Kampf, den wir gewinnen können.

NOTE Paragraph

00:06:59.990 --> 00:07:01.223
Vielen Dank.