1
00:00:00,917 --> 00:00:03,825
Hogyan fogjuk legyőzni
ezt az új koronavírust?

2
00:00:04,317 --> 00:00:06,948
Legjobb eszközeink segítségével:

3
00:00:06,972 --> 00:00:09,011
ami a tudomány és a technológia.

4
00:00:09,594 --> 00:00:12,499
Laboratóriumunkban
a mesterséges intelligenciát

5
00:00:12,499 --> 00:00:14,353
és a szintetikus biológiát használjuk,

6
00:00:14,353 --> 00:00:17,413
hogy felgyorsítsuk
e járvány elleni harcot.

7
00:00:18,078 --> 00:00:19,454
Munkánkat eredetileg

8
00:00:19,564 --> 00:00:22,842
az antibiotikum-rezisztencia
kezelésére terveztük.

9
00:00:22,842 --> 00:00:27,531
Projektünk a gépi tanulás erejének
hasznosítására törekszik,

10
00:00:27,555 --> 00:00:29,401
újratölteni antibiotikum-arzenálunkat,

11
00:00:29,425 --> 00:00:33,263
hogy elkerüljünk egy globálisan pusztító,
antibiotikum utáni korszakot.

12
00:00:33,685 --> 00:00:36,505
Lényeges, hogy ugyanaz
a technológia használható

13
00:00:36,529 --> 00:00:38,601
vírusellenes vegyületek kutatására,

14
00:00:38,625 --> 00:00:41,393
ami segíthet bennünket
a jelenlegi járvány elleni harcban.

15
00:00:42,080 --> 00:00:45,012
A gépi tanulás a feje tetejére állította

16
00:00:45,012 --> 00:00:47,074
a gyógyszerkutatás hagyományos modelljét.

17
00:00:47,074 --> 00:00:48,663
Ezzel a megközelítéssel ahelyett,

18
00:00:48,663 --> 00:00:51,004
hogy egyesével, kínkeservvel tesztelnénk

19
00:00:51,004 --> 00:00:53,163
a már létező molekulák ezreinek
hatékonyságát,

20
00:00:53,163 --> 00:00:55,856
betaníthatunk egy számítógépet arra,
hogy vizsgálja végig

21
00:00:55,856 --> 00:01:00,513
lényegében az összes szintetizálható 
molekulának

22
00:01:00,537 --> 00:01:04,121
a nagyságrendekkel nagyobb halmazát.

23
00:01:04,145 --> 00:01:09,759
Így, ahelyett, hogy egy tűt
keresnénk a szénakazalban,

24
00:01:09,783 --> 00:01:13,543
a számítástechnika erejének
gigantikus mágnesét használjuk

25
00:01:13,567 --> 00:01:17,482
sok tű egyidejű keresésére
számos szénakazalban.

26
00:01:18,423 --> 00:01:20,415
Van már néhány kezdeti sikerünk.

27
00:01:21,010 --> 00:01:26,475
Nemrég a gépi tanulást olyan új 
antibiotikumok felfedezésére használtuk,

28
00:01:26,499 --> 00:01:29,059
amelyek segíthetnek legyőzni

29
00:01:29,083 --> 00:01:32,694
a SARS-CoV-2 járványt kísérő
bakteriális fertőzéseket.

30
00:01:33,181 --> 00:01:37,350
Két hónapja elnyertük
a TED's Audacious Project támogatását

31
00:01:37,350 --> 00:01:39,586
munkánk széles körben történő
kiterjesztéséhez,

32
00:01:39,586 --> 00:01:44,214
azzal a céllal, 
hogy a következő hét év során

33
00:01:44,238 --> 00:01:47,721
hét antibiotikum-osztályt találjunk

34
00:01:47,745 --> 00:01:49,662
hét halálos baktérium ellen.

35
00:01:50,206 --> 00:01:51,939
A könnyebb megértés kedvéért:

36
00:01:51,963 --> 00:01:53,891
Az elmúlt három évtizedben felfedezett

37
00:01:53,915 --> 00:01:57,150
új antibiotikum-osztályok száma: nulla.

38
00:01:58,030 --> 00:02:01,601
Amíg az új antibiotikumok felkutatása
a jövő középtávú feladata,

39
00:02:01,625 --> 00:02:06,277
az új koronavírus
azonnali halálos fenyegetést jelent,

40
00:02:06,301 --> 00:02:08,324
és örömmel közölhetem, hogy úgy gondoljuk,

41
00:02:08,324 --> 00:02:13,076
ugyanezt a technológiát felhasználhatjuk
a vírus elleni gyógyszerkutatásra is.

42
00:02:13,486 --> 00:02:15,205
Hogyan tesszük ezt?

43
00:02:15,229 --> 00:02:18,177
Létrehozzuk a vegyületek 
egy tanító könyvtárát,

44
00:02:18,201 --> 00:02:23,743
és munkatársaink SARS-CoV-2 fertőzte
sejteken próbálják ki a molekulákat,

45
00:02:23,767 --> 00:02:27,661
hogy lássuk, melyik mutat
tényleges aktivitást.

46
00:02:28,085 --> 00:02:31,367
Ezeket az adatokat felhasználjuk
egy gépi tanuló modell betanítására,

47
00:02:31,391 --> 00:02:35,016
hogy majd a gépben szimulált könyvtár
több milliárd molekulájára alkalmazzuk

48
00:02:35,016 --> 00:02:39,951
új, lehetséges vírusellenes
vegyületeket keresve.

49
00:02:40,324 --> 00:02:42,982
Szintetizáljuk és teszteljük
a legjobb javaslatokat,

50
00:02:43,006 --> 00:02:46,145
és kifejlesztjük a legígéretesebb
jelölteket klinikai használatra.

51
00:02:46,356 --> 00:02:48,614
Túl szépnek hangzik, hogy igaz legyen?

52
00:02:48,614 --> 00:02:49,614
Pedig az!

53
00:02:49,614 --> 00:02:52,939
Az Antibiotikum MI Project
kutatási témánk bizonyítékán alapul,

54
00:02:52,963 --> 00:02:56,364
amely egy új széles
spektrumú antibiotikum,

55
00:02:56,388 --> 00:02:58,313
a Halocin felfedezéséhez vezetett.

56
00:02:58,443 --> 00:03:01,256
A Halocin erős antibakteriális
tevékenységet fejt ki

57
00:03:01,280 --> 00:03:05,382
majdnem minden
antibiotikum-rezisztens baktérium ellen,

58
00:03:05,406 --> 00:03:09,047
beleértve a kezelhetetlen
pánrezisztens fertőzéseket is.

59
00:03:09,662 --> 00:03:12,196
Fontos, hogy a jelenlegi
antibiotikumokkal ellentétben

60
00:03:12,196 --> 00:03:15,850
a Halocin elleni baktériumrezisztencia
kifejlődésének gyakorisága

61
00:03:15,874 --> 00:03:17,358
figyelemreméltóan alacsony.

62
00:03:18,303 --> 00:03:23,013
Laboratóriumban teszteltük, hogy mennyire 
válnak rezisztenssé a baktériumok

63
00:03:23,037 --> 00:03:24,825
a Halocinra, illetve a Cipróra.

64
00:03:25,299 --> 00:03:26,841
A Ciprónál már egy nap után

65
00:03:26,865 --> 00:03:29,690
kialakult a rezisztencia.

66
00:03:30,213 --> 00:03:31,691
A Halicon esetében

67
00:03:31,715 --> 00:03:33,830
egy nap múlva nem láttunk rezisztenciát.

68
00:03:34,479 --> 00:03:37,781
Bámulatos, hogy 30 nap után sem láttunk

69
00:03:37,805 --> 00:03:40,406
semmilyen rezisztenciát
a Halocin irányában.

70
00:03:41,098 --> 00:03:46,624
Ebben a próbaprojektben először kb.
2500 vegyületet teszteltünk E. coli ellen.

71
00:03:47,259 --> 00:03:50,039
Ez a betanító készlet
ismert antibiotikumokat tartalmazott,

72
00:03:50,039 --> 00:03:51,809
mint például a Cipro és a penicillin,

73
00:03:51,833 --> 00:03:54,425
és sok gyógyszert is,
melyek nem voltak antibiotikumok.

74
00:03:54,984 --> 00:03:58,681
Ezeket az adatokat egy modell
betanítására használtuk,

75
00:03:58,681 --> 00:04:01,833
hogy megtanulja a molekulák 
antibakteriális tulajdonságait.

76
00:04:01,833 --> 00:04:04,884
A modellt egy pár ezer molekulából 
álló könyvtárra alkalmaztuk,

77
00:04:04,884 --> 00:04:08,322
ami gyógyszereket tartalmazott, 
melyeknek új felhasználást kerestünk.

78
00:04:08,322 --> 00:04:10,138
Olyan molekulákat kellett találnia,

79
00:04:10,138 --> 00:04:12,922
melyeknek várhatóan
lesz antibakteriális hatásuk,

80
00:04:12,946 --> 00:04:15,419
de nem úgy néznek ki,
mint a meglévő antibiotikumok.

81
00:04:16,427 --> 00:04:21,224
Érdekes, hogy csak egy molekula
felelt meg a feltételeknek,

82
00:04:21,248 --> 00:04:23,584
és kiderült, hogy az a molekula a Halocin.

83
00:04:24,304 --> 00:04:27,556
Tekintve, hogy a Halocin nem hasonlít
egy ismert antibiotikumra sem,

84
00:04:27,556 --> 00:04:31,710
lehetetlen lett volna, hogy egy ember –
beleértve az antibiotikum-szakértőket is –

85
00:04:31,734 --> 00:04:33,918
azonosítsa a Halocint ezen a módon.

86
00:04:34,354 --> 00:04:37,204
Most képzeljék el, mire juthatunk
ezzel a technológiával

87
00:04:37,228 --> 00:04:38,969
a SARS-CoV-2 ellen!

88
00:04:39,783 --> 00:04:41,148
Ez nem minden.

89
00:04:41,172 --> 00:04:43,992
A szintetikus biológia
eszközeit is használjuk,

90
00:04:44,016 --> 00:04:46,627
DNS-sel és egyéb
sejtszerkezettel babrálva,

91
00:04:46,651 --> 00:04:50,561
emberi célokat szolgálunk,
mint a COVID-19 elleni küzdelem,

92
00:04:50,585 --> 00:04:54,232
és megjegyezném, hogy dolgozunk
egy olyan védőmaszk kifejlesztésén,

93
00:04:54,256 --> 00:04:57,688
amely gyors diagnosztizálást is végez.

94
00:04:58,192 --> 00:04:59,664
Vajon hogyan működik?

95
00:04:59,688 --> 00:05:00,893
Nos, nemrég bemutattuk,

96
00:05:00,917 --> 00:05:03,860
hogy kivehetjük
a sejtszerkezetet egy élő sejtből,

97
00:05:03,884 --> 00:05:07,976
és liofilizálhatjuk
az RNS-sel együtt papíron azért,

98
00:05:08,000 --> 00:05:12,916
hogy olcsón diagnosztizáljuk
az ebolát és a Zika-vírust.

99
00:05:13,503 --> 00:05:18,730
A szenzorok aktiválódnak, amikor
a beteg mintája újból hidratálja őket,

100
00:05:18,754 --> 00:05:21,576
ami lehet például vér vagy nyál.

101
00:05:21,600 --> 00:05:24,861
Kiderült, hogy ez a technológia
nem korlátozódik a papírra,

102
00:05:24,885 --> 00:05:27,771
egyéb anyagokra
is alkalmazható, pl. ruhára.

103
00:05:28,671 --> 00:05:30,613
A COVID-19 járványhoz

104
00:05:30,637 --> 00:05:34,983
RNS-szenzorokat tervezünk
a vírus kimutatására,

105
00:05:35,007 --> 00:05:38,217
és liofilizáljuk ezeket a szükséges
sejtszerkezetekkel együtt

106
00:05:38,241 --> 00:05:40,948
az arcmaszk szövetébe,

107
00:05:40,972 --> 00:05:43,201
ahol maga a lélegzés,

108
00:05:43,225 --> 00:05:45,502
a lecsapódó párával együtt,

109
00:05:45,526 --> 00:05:47,286
képes aktiválni a tesztet.

110
00:05:47,804 --> 00:05:52,064
Így ha a beteg SARS-CoV-2-vel fertőzött,

111
00:05:52,088 --> 00:05:54,161
A maszk fluoreszkáló jelet hoz létre,

112
00:05:54,185 --> 00:05:58,015
amit egy egyszerű, olcsó
kézi eszköz is képes észlelni.

113
00:05:58,534 --> 00:06:03,018
Így egy-két órán belül
diagnosztizálható a beteg –

114
00:06:03,042 --> 00:06:06,014
biztonságosan, távolról és pontosan.

115
00:06:06,735 --> 00:06:09,255
A szintetikus biológiát
arra is használjuk,

116
00:06:09,279 --> 00:06:11,999
hogy a COVID-19 ellen
oltóanyagot tervezzünk.

117
00:06:13,014 --> 00:06:15,667
Újrahasznosítjuk a BCG-oltást,

118
00:06:15,691 --> 00:06:18,561
amit már majdnem egy évszázada
használunk a TBC ellen.

119
00:06:18,585 --> 00:06:20,126
Ez élő, legyengített oltóanyag.

120
00:06:20,150 --> 00:06:24,807
Átszerkesztjük a SARS-CoV-2 
antigénjeinek megfelelően,

121
00:06:24,831 --> 00:06:27,365
hogy az immunrendszert

122
00:06:27,365 --> 00:06:29,304
védő antitestek termelésére késztesse.

123
00:06:29,328 --> 00:06:32,062
Fontos, hogy a BCG
nagy mértékben szabályozható,

124
00:06:32,086 --> 00:06:36,659
és biztonságos profilja van, az egyik
legjobb az ismert oltóanyagok közül.

125
00:06:37,881 --> 00:06:42,986
A szintetikus biológia és a mesterséges
intelligencia eszközeivel

126
00:06:43,010 --> 00:06:46,358
megnyerhetjük a harcot
az új koronavírus ellen.

127
00:06:46,844 --> 00:06:50,163
Ez a munka nagyon korai
stádiumban van, de igen ígéretes.

128
00:06:50,798 --> 00:06:54,093
A tudomány és a technológia
jelentős előnyt adhat számunkra

129
00:06:54,093 --> 00:06:57,572
az emberi értelem és a szuperbaktériumok
génjei között zajló küzdelemben,

130
00:06:57,572 --> 00:06:59,199
amelyet megnyerhetünk.

131
00:06:59,990 --> 00:07:01,846
Köszönöm.