WEBVTT

00:00:00.917 --> 00:00:03.825
Come faremo a battere
questo nuovo coronavirus?

00:00:04.317 --> 00:00:06.948
Usando i nostri strumenti migliori:

00:00:06.972 --> 00:00:09.011
la scienza e la tecnologia.

00:00:09.594 --> 00:00:12.726
Nel mio laboratorio,
stiamo usando l'intelligenza artificiale

00:00:12.750 --> 00:00:14.329
e la biologia sintetica

00:00:14.353 --> 00:00:17.413
per accelerare la lotta
contro questa pandemia.

00:00:18.018 --> 00:00:19.941
Inizialmente, il nostro lavoro fu ideato

00:00:19.965 --> 00:00:22.818
per affrontare la crisi
della resistenza agli antibiotici.

00:00:22.842 --> 00:00:27.265
Il nostro progetto cerca di sfruttare
le capacità dell'apprendimento automatico

00:00:27.335 --> 00:00:29.361
per ricostituire l'arsenale di antibiotici

00:00:29.401 --> 00:00:33.263
ed evitare un'era post antibiotici
devastante a livello globale.

00:00:33.685 --> 00:00:34.835
Ancora più importante,

00:00:34.835 --> 00:00:38.601
la stessa tecnologia può essere usata
per cercare molecole antivirali

00:00:38.601 --> 00:00:41.433
che possano esserci utili
nel combattere l'attuale pandemia.

NOTE Paragraph

00:00:41.850 --> 00:00:44.170
L'apprendimento automatico
sta trasformando

00:00:44.170 --> 00:00:46.736
in modo radicale
la tradizionale ricerca farmacologica.

00:00:47.314 --> 00:00:48.619
Con questo approccio,

00:00:48.659 --> 00:00:52.701
invece di testare faticosamente
le migliaia di molecole esistenti

00:00:52.761 --> 00:00:55.624
una alla volta in laboratorio,
per la loro efficacia,

00:00:55.674 --> 00:00:57.217
possiamo addestrare un computer

00:00:57.497 --> 00:01:00.537
a esaminare lo spazio
esponenzialmente più ampio

00:01:00.537 --> 00:01:04.071
sostanzialmente di tutte
le possibili molecole sintetizzabili,

00:01:04.121 --> 00:01:09.534
e così, invece di cercare
un ago in un pagliaio,

00:01:09.584 --> 00:01:13.543
possiamo usare il magnete gigante
fornito dalla capacità computazionale

00:01:13.543 --> 00:01:17.482
per cercare molti aghi
in molti pagliai simultaneamente.

NOTE Paragraph

00:01:18.423 --> 00:01:20.415
Abbiamo già avuto i primi successi.

00:01:21.010 --> 00:01:26.405
Di recente abbiamo usato l'apprendimento
automatico per scoprire nuovi antibiotici

00:01:26.475 --> 00:01:28.949
utili nella lotta
contro le infezioni batteriche

00:01:29.190 --> 00:01:32.694
che possono verificarsi
insieme alle infezioni da SARS-CoV-2.

00:01:33.181 --> 00:01:37.320
Due mesi fa, The Audacious Project di TED
ha approvato i finanziamenti

00:01:37.350 --> 00:01:39.512
per aumentare enormemente il nostro lavoro

00:01:39.562 --> 00:01:44.214
con l'obiettivo di scoprire
sette nuove classi di antibiotici

00:01:44.214 --> 00:01:47.661
contro sette dei peggiori
batteri patogeni al mondo

00:01:47.721 --> 00:01:49.800
nei prossimi sette anni.

00:01:50.206 --> 00:01:51.879
Per dare il quadro:

00:01:51.939 --> 00:01:57.041
il numero di nuove classi di antibiotici
scoperte negli ultimi trent'anni è zero.

NOTE Paragraph

00:01:58.030 --> 00:02:01.561
La ricerca di nuovi antibiotici
è per il nostro prossimo futuro,

00:02:01.601 --> 00:02:06.227
ma il nuovo coronavirus rappresenta
una minaccia mortale immediata,

00:02:06.277 --> 00:02:10.054
e sono entusiasta di dire che crediamo
di poter usare la stessa tecnologia

00:02:10.094 --> 00:02:12.927
per cercare medicinali
per combattere questo virus.

00:02:13.486 --> 00:02:14.720
Allora, come faremo?

00:02:15.220 --> 00:02:18.100
Stiamo creando una libreria
di molecole per l'apprendimento

00:02:18.100 --> 00:02:19.757
e con l'aiuto di collaboratori,

00:02:19.757 --> 00:02:23.717
stiamo applicando queste molecole
a cellule infettate con SARS-CoV-2

00:02:23.767 --> 00:02:27.661
per vedere quali di queste
mostrano un'attività efficace.

00:02:27.775 --> 00:02:31.481
Questi dati saranno usati per addestrare
un modello di apprendimento automatico

00:02:31.521 --> 00:02:35.411
che verrà applicato a una libreria
in silico di oltre un miliardo di molecole

00:02:35.461 --> 00:02:39.689
per cercare potenziali
nuovi composti antivirali.

00:02:40.324 --> 00:02:42.942
Sintetizzeremo e testeremo
le previsioni migliori

00:02:42.982 --> 00:02:46.035
e faremo avanzare nella fase clinica
i candidati più promettenti.

NOTE Paragraph

00:02:46.316 --> 00:02:48.034
Sembra troppo bello per essere vero?

00:02:48.158 --> 00:02:49.400
Be', non dovrebbe.

00:02:49.474 --> 00:02:52.993
L'Antibiotics-AI Project si fonda
sulla nostra prova di ricerca concettuale

00:02:52.993 --> 00:02:56.334
che ha portato alla scoperta
di un nuovo antibiotico ad ampio spettro

00:02:56.364 --> 00:02:57.573
che si chiama halicina.

00:02:58.443 --> 00:03:01.216
L'halicina ha una potente
attività antibatterica

00:03:01.256 --> 00:03:05.332
contro quasi tutti i batteri patogeni
resistenti agli antibiotici,

00:03:05.382 --> 00:03:09.047
comprese le infezioni
non trattabili panresistenti.

00:03:09.442 --> 00:03:12.112
E più importante,
diversamente dagli attuali antibiotici,

00:03:12.142 --> 00:03:15.810
la frequenza con cui i batteri
sviluppano la resistenza contro l'halicina

00:03:15.850 --> 00:03:17.358
è notevolmente bassa.

00:03:18.153 --> 00:03:20.707
Abbiamo testato la capacità dei batteri

00:03:20.737 --> 00:03:22.997
di sviluppare una resistenza
contro l'halicina

00:03:23.037 --> 00:03:24.939
come contro il Ciproxin, in laboratorio.

00:03:25.299 --> 00:03:26.801
Nel caso del Ciproxin,

00:03:26.841 --> 00:03:29.690
dopo solo un giorno,
abbiamo visto la resistenza.

00:03:30.213 --> 00:03:31.661
Nel caso dell'halicina,

00:03:31.691 --> 00:03:34.120
dopo un giorno, non abbiamo visto
alcuna resistenza.

00:03:34.479 --> 00:03:37.731
Sorprendentemente, dopo 30 giorni,

00:03:37.781 --> 00:03:40.406
non abbiamo visto
alcuna resistenza contro l'halicina.

NOTE Paragraph

00:03:41.098 --> 00:03:42.415
In questo progetto pilota,

00:03:42.465 --> 00:03:46.879
abbiamo prima testato
circa 2.500 molecole contro l'E. coli.

00:03:46.949 --> 00:03:50.133
Questo insieme volto all'apprendimento
comprendeva antibiotici noti,

00:03:50.173 --> 00:03:51.809
come il Ciproxin e la penicillina,

00:03:51.839 --> 00:03:54.135
così come molti farmaci
che non sono antibiotici.

00:03:54.984 --> 00:03:57.541
Abbiamo usato questi dati
per addestrare un modello

00:03:57.577 --> 00:04:01.573
a imparare le caratteristiche molecolari
associate all'attività antibatterica.

00:04:02.059 --> 00:04:03.787
Poi abbiamo applicato questo modello

00:04:03.817 --> 00:04:07.296
a una libreria di farmaci da riposizionare
di diverse migliaia di molecole

00:04:07.326 --> 00:04:10.138
e abbiamo chiesto al modello
di identificare quelle molecole

00:04:10.178 --> 00:04:12.892
che si prevede abbiano
proprietà antibatteriche

00:04:12.922 --> 00:04:15.499
ma che non hanno l'aspetto
degli antibiotici esistenti.

00:04:16.427 --> 00:04:21.194
Cosa interessante, solo una molecola
nella libreria ha soddisfatto quei criteri

00:04:21.224 --> 00:04:23.584
e si è rivelata essere l'halicina.

00:04:23.984 --> 00:04:27.506
Poiché l'halicina ha un aspetto diverso
da qualsiasi antibiotico esistente,

00:04:27.556 --> 00:04:31.670
sarebbe stato impossibile per un uomo,
persino per un esperto di antibiotici,

00:04:31.710 --> 00:04:33.918
identificare l'halicina in questo modo.

00:04:34.574 --> 00:04:37.174
Immaginate ora cosa potremmo fare
con questa tecnologia

00:04:37.204 --> 00:04:38.969
contro il SARS-CoV-2.

NOTE Paragraph

00:04:39.783 --> 00:04:40.952
E non è tutto.

00:04:41.112 --> 00:04:43.868
Stiamo usando questi strumenti
della biologia sintetica,

00:04:43.908 --> 00:04:46.423
sperimentando con il DNA
e altri apparati cellulari,

00:04:46.463 --> 00:04:50.531
per servire gli interessi dell'uomo
nel combattere il COVID-19,

00:04:50.561 --> 00:04:54.212
tra l'altro, stiamo lavorando
per sviluppare una mascherina protettiva

00:04:54.232 --> 00:04:57.688
che possa anche servire
da test diagnostico rapido.

00:04:58.192 --> 00:04:59.454
In che modo?

00:04:59.538 --> 00:05:00.833
Di recente abbiamo mostrato

00:05:00.883 --> 00:05:03.837
che si può estrarre l'apparato cellulare
da una cellula vivente

00:05:03.860 --> 00:05:08.010
e liofilizzarlo, sulla carta,
insieme a dei sensori di RNA

00:05:08.040 --> 00:05:12.916
per creare test diagnostici economici
per Ebola e Zika.

00:05:13.503 --> 00:05:18.700
I sensori si attivano quando vengono
reidratati con un campione del paziente,

00:05:18.730 --> 00:05:21.476
come un campione di sangue,
o di saliva, per esempio.

00:05:21.600 --> 00:05:24.811
Si è scoperto che questa tecnologia
non si limita alla carta

00:05:24.861 --> 00:05:27.771
e può essere applicata
su altri materiali, inclusa la stoffa.

00:05:28.671 --> 00:05:30.563
Per la pandemia da COVID-19,

00:05:30.613 --> 00:05:34.943
stiamo progettando dei sensori di RNA
per identificare il virus

00:05:34.983 --> 00:05:38.170
da liofilizzare insieme
all'apparato cellulare necessario

00:05:38.217 --> 00:05:40.948
nel tessuto di una mascherina

00:05:40.948 --> 00:05:43.161
in cui il semplice atto di respirare,

00:05:43.201 --> 00:05:45.442
insieme con il vapore acqueo
che ne deriva,

00:05:45.502 --> 00:05:47.286
può attivare il test.

00:05:47.804 --> 00:05:51.874
Così, se un paziente avesse
un'infezione da SARS-CoV-2,

00:05:51.874 --> 00:05:54.157
la mascherina emetterebbe
un segnale fluorescente

00:05:54.221 --> 00:05:56.054
che potrebbe essere rilevato

00:05:56.084 --> 00:05:58.464
con un dispositivo portatile
semplice ed economico.

00:05:58.534 --> 00:06:02.968
Nell'arco di una o due ore,
si potrebbe ottenere una diagnosi

00:06:03.018 --> 00:06:06.014
in modo sicuro, accurato e a distanza.

NOTE Paragraph

00:06:06.735 --> 00:06:09.215
Stiamo anche usando la biologia sintetica

00:06:09.255 --> 00:06:11.999
per progettare un candidato
vaccino per il COVID-19.

00:06:13.014 --> 00:06:15.627
Stiamo riconvertendo il vaccino BCG,

00:06:15.627 --> 00:06:18.161
che viene utilizzato contro la TBC
da quasi un secolo.

00:06:18.161 --> 00:06:20.126
È un vaccino vivo attenuato,

00:06:20.126 --> 00:06:24.757
e lo stiamo ingegnerizzando
per esprimere gli antigeni del SARS-CoV-2,

00:06:24.807 --> 00:06:27.655
che dovrebbero indurre
la produzione di anticorpi protettivi

00:06:27.655 --> 00:06:29.223
da parte del sistema immunitario.

00:06:29.263 --> 00:06:31.972
E cosa importante,
il BCG è altamente scalabile

00:06:32.420 --> 00:06:36.659
e ha un profilo di sicurezza che è
tra i migliori di qualsiasi vaccino noto.

NOTE Paragraph

00:06:37.881 --> 00:06:42.946
Con gli strumenti della biologia sintetica
e dell'intelligenza artificiale,

00:06:42.986 --> 00:06:46.358
possiamo vincere la lotta
contro questo nuovo coronavirus.

00:06:46.844 --> 00:06:50.163
Questo lavoro è nelle sue fasi iniziali,
ma la promessa è reale.

00:06:50.798 --> 00:06:54.193
La scienza e la tecnologia
possono fornirci un vantaggio importante

00:06:54.243 --> 00:06:57.428
nella battaglia dell'ingegno umano
contro i geni dei super microbi.

00:06:57.452 --> 00:06:59.199
Una battaglia che possiamo vincere.

NOTE Paragraph

00:06:59.990 --> 00:07:01.223
Grazie.