1
00:00:00,917 --> 00:00:03,825
Como vamos vencer esse novo coronavírus?

2
00:00:04,317 --> 00:00:06,948
Usando nossas melhores ferramentas:

3
00:00:06,972 --> 00:00:09,011
nossa ciência e nossa tecnologia.

4
00:00:09,594 --> 00:00:12,726
No meu laboratório, usamos
ferramentas de inteligência artificial

5
00:00:12,750 --> 00:00:14,329
e biologia sintética

6
00:00:14,353 --> 00:00:17,413
para acelerar a luta contra essa pandemia.

7
00:00:18,078 --> 00:00:19,965
O trabalho foi originalmente projetado

8
00:00:19,965 --> 00:00:22,818
para enfrentar a crise
de resistência aos antibióticos.

9
00:00:22,842 --> 00:00:27,501
Nosso projeto busca aproveitar o poder
do aprendizado de máquina

10
00:00:27,501 --> 00:00:29,425
para repor nosso arsenal de antibióticos

11
00:00:29,425 --> 00:00:33,263
e evitar uma era pós-antibiótica
globalmente devastadora.

12
00:00:33,685 --> 00:00:38,625
Sobretudo, a mesma tecnologia pode ser
usada para procurar compostos antivirais

13
00:00:38,625 --> 00:00:41,303
que poderiam nos ajudar
a combater a pandemia atual.

14
00:00:42,080 --> 00:00:45,982
Aprendizado de máquina está revolucionando
o modelo tradicional de descoberta

15
00:00:46,006 --> 00:00:47,410
de medicamentos.

16
00:00:47,434 --> 00:00:48,659
Com essa abordagem,

17
00:00:48,683 --> 00:00:52,761
em vez de testar meticulosamente
milhares de moléculas existentes,

18
00:00:52,785 --> 00:00:55,856
uma por uma, pela sua eficácia
em um laboratório,

19
00:00:55,856 --> 00:01:00,513
podemos treinar um computador pra explorar
o espaço exponencialmente maior

20
00:01:00,513 --> 00:01:04,145
de essencialmente todas as moléculas
possíveis que poderiam ser sintetizadas,

21
00:01:04,145 --> 00:01:09,759
e, assim, em vez de procurar
uma agulha no palheiro,

22
00:01:09,783 --> 00:01:13,543
podemos usar o imã gigante
do poder da computação

23
00:01:13,567 --> 00:01:17,482
para encontrar muitas agulhas
em vários palheiros, simultaneamente.

24
00:01:18,423 --> 00:01:20,415
Já tivemos algum sucesso inicial.

25
00:01:21,010 --> 00:01:26,465
Recentemente, usamos aprendizado de
máquina para descobrir novos antibióticos

26
00:01:26,465 --> 00:01:29,083
que podem nos ajudar a combater
as infecções bacterianas

27
00:01:29,083 --> 00:01:32,694
que podem ocorrer em conjunto
com infecções por SARS-CoV-2.

28
00:01:33,181 --> 00:01:37,350
Há dois meses, o Audacious Project
do TED aprovou financiamento

29
00:01:37,374 --> 00:01:39,562
pra ampliarmos intensamente nosso trabalho

30
00:01:39,586 --> 00:01:44,214
com o objetivo de descobrir
sete novas classes de antibióticos

31
00:01:44,238 --> 00:01:47,721
contra sete dos patógenos
bacterianos mortais do mundo

32
00:01:47,745 --> 00:01:49,800
nos próximos sete anos.

33
00:01:50,206 --> 00:01:51,939
Para contextualizar:

34
00:01:51,963 --> 00:01:53,915
o número de novas classes de antibióticos

35
00:01:53,915 --> 00:01:57,150
descobertas nas últimas
três décadas é zero.

36
00:01:57,990 --> 00:02:01,625
Embora a busca por novos antibióticos
seja para o nosso futuro a médio prazo,

37
00:02:01,625 --> 00:02:06,277
o novo coronavírus representa
uma ameaça mortal imediata,

38
00:02:06,301 --> 00:02:10,094
e fico feliz em dizer que acreditamos
que podemos usar a mesma tecnologia

39
00:02:10,118 --> 00:02:12,927
para procurar terapêuticas
para combater esse vírus.

40
00:02:13,486 --> 00:02:15,205
Então, como vamos fazer isso?

41
00:02:15,229 --> 00:02:18,177
Estamos criando uma biblioteca
de treinamento composto,

42
00:02:18,201 --> 00:02:23,743
com colaboradores que aplicam as moléculas
em células infectadas com SARS-CoV-2

43
00:02:23,767 --> 00:02:27,661
para ver quais delas
exibem atividade efetiva.

44
00:02:28,015 --> 00:02:31,331
Usaremos esses dados para treinar
um modelo de aprendizado de máquina,

45
00:02:31,331 --> 00:02:33,665
o qual será aplicado
a uma biblioteca "in silico"

46
00:02:33,665 --> 00:02:35,485
de mais de 1 bilhão de moléculas

47
00:02:35,485 --> 00:02:39,629
para procurar potenciais
novos compostos antivirais.

48
00:02:40,324 --> 00:02:42,982
Vamos sintetizar e testar
as principais previsões

49
00:02:43,006 --> 00:02:46,255
e encaminhar os candidatos
mais promissores para a clínica.

50
00:02:46,356 --> 00:02:48,134
Parece bom demais para ser verdade?

51
00:02:48,158 --> 00:02:49,590
Bem, não deveria.

52
00:02:49,590 --> 00:02:52,963
O "Antibiotics AI Project" é baseado
na pesquisa de prova de conceito

53
00:02:52,963 --> 00:02:56,364
que levou à descoberta
de um novo antibiótico de amplo espectro

54
00:02:56,388 --> 00:02:57,883
chamado Halocin.

55
00:02:58,443 --> 00:03:01,256
O Halocin tem atividade
antibacteriana potente

56
00:03:01,280 --> 00:03:05,382
contra quase todos os patógenos
bacterianos resistentes a antibióticos,

57
00:03:05,406 --> 00:03:09,447
incluindo infecções
pan-resistentes intratáveis.

58
00:03:09,862 --> 00:03:12,156
Mas ao contrário dos antibióticos atuais,

59
00:03:12,156 --> 00:03:15,850
a frequência com que bactérias
desenvolvem resistência contra o Halocin

60
00:03:15,874 --> 00:03:17,538
é notavelmente baixa.

61
00:03:18,303 --> 00:03:23,013
Testamos a capacidade das bactérias
de desenvolver resistência contra Halocin

62
00:03:23,037 --> 00:03:24,825
e contra Cipro no laboratório.

63
00:03:25,299 --> 00:03:26,841
No caso do Cipro,

64
00:03:26,865 --> 00:03:29,690
depois de só um dia, vimos resistência.

65
00:03:30,213 --> 00:03:31,691
No caso do Halocin,

66
00:03:31,691 --> 00:03:34,090
depois de um dia, não houve resistência.

67
00:03:34,479 --> 00:03:40,631
Surpreendentemente, depois de até 30 dias,
não vimos nenhuma resistência contra ele.

68
00:03:41,098 --> 00:03:46,624
Neste projeto piloto, primeiro testamos
cerca de 2,5 mil compostos contra E. coli.

69
00:03:47,259 --> 00:03:50,039
Esse conjunto de estudo
incluía antibióticos conhecidos,

70
00:03:50,063 --> 00:03:51,809
como Cipro e penicilina,

71
00:03:51,809 --> 00:03:54,365
bem como medicamentos
que não são antibióticos.

72
00:03:54,984 --> 00:03:57,571
Usamos esses dados para treinar um modelo

73
00:03:57,595 --> 00:04:01,573
para aprender características moleculares
associadas à atividade antibacteriana.

74
00:04:02,039 --> 00:04:05,134
Nós os usamos numa biblioteca
de reaproveitamento de medicamentos

75
00:04:05,134 --> 00:04:07,472
contendo vários milhares de moléculas

76
00:04:07,496 --> 00:04:10,114
e pedimos ao modelo
para identificar moléculas

77
00:04:10,138 --> 00:04:12,922
que se prevê terem
propriedades antibacterianas,

78
00:04:12,946 --> 00:04:15,523
mas não se parecem
com antibióticos existentes.

79
00:04:16,427 --> 00:04:21,224
Curiosamente, apenas uma molécula nessa
biblioteca se encaixa nesses critérios,

80
00:04:21,248 --> 00:04:23,914
e ela acabou por ser o próprio Halocin.

81
00:04:24,444 --> 00:04:27,532
Dado que ele não se parece
com nenhum antibiótico existente,

82
00:04:27,556 --> 00:04:31,710
teria sido impossível para um ser humano,
incluindo um especialista em antibióticos,

83
00:04:31,734 --> 00:04:33,918
identificá-lo dessa maneira.

84
00:04:34,574 --> 00:04:37,204
Imagine agora o que poderíamos
fazer com esta tecnologia

85
00:04:37,228 --> 00:04:38,969
contra o SARS-CoV-2.

86
00:04:39,783 --> 00:04:41,148
E isso não é tudo.

87
00:04:41,172 --> 00:04:43,992
Também estamos usando
as ferramentas da biologia sintética,

88
00:04:44,016 --> 00:04:46,627
ajustando DNA e outras máquinas celulares,

89
00:04:46,651 --> 00:04:50,561
para servir a propósitos humanos,
como combater a COVID-19,

90
00:04:50,585 --> 00:04:54,232
e estamos trabalhando para desenvolver
uma máscara protetora

91
00:04:54,256 --> 00:04:57,688
que também possa servir
como teste rápido de diagnóstico.

92
00:04:58,192 --> 00:04:59,664
Então, como isso funciona?

93
00:04:59,664 --> 00:05:03,497
Mostramos recentemente que podemos tirar
a maquinaria celular de uma célula viva

94
00:05:03,884 --> 00:05:07,976
e liofilizá-la junto
com sensores de RNA no papel

95
00:05:08,000 --> 00:05:12,916
para criar diagnósticos
de baixo custo para o Ebola e o Zika.

96
00:05:13,503 --> 00:05:18,730
Os sensores são ativados quando são
reidratados por uma amostra de paciente

97
00:05:18,754 --> 00:05:21,576
que poderia consistir em sangue
ou saliva, por exemplo.

98
00:05:21,600 --> 00:05:24,861
Mas esta tecnologia não se limita ao papel

99
00:05:24,885 --> 00:05:27,771
e pode ser aplicada
a outros materiais, incluindo tecidos.

100
00:05:28,671 --> 00:05:30,613
Para a pandemia de COVID-19,

101
00:05:30,637 --> 00:05:34,983
estamos projetando sensores
de RNA para detectar o vírus

102
00:05:35,007 --> 00:05:38,217
e liofilizá-los juntamente
com as máquinas celulares necessárias

103
00:05:38,241 --> 00:05:40,948
no tecido de uma máscara facial,

104
00:05:40,972 --> 00:05:43,201
na qual o simples ato de respirar,

105
00:05:43,225 --> 00:05:47,482
junto com o vapor de água
da respiração, pode ativar o teste.

106
00:05:47,804 --> 00:05:52,064
Assim, se um paciente estiver
infectado com SARS-CoV-2,

107
00:05:52,088 --> 00:05:54,161
a máscara produzirá um sinal fluorescente

108
00:05:54,185 --> 00:05:58,015
que poderia ser detectado por um
dispositivo portátil simples e barato.

109
00:05:58,534 --> 00:06:03,018
Em uma ou duas horas,
um paciente poderia ser diagnosticado

110
00:06:03,042 --> 00:06:06,014
de forma segura, remota e precisa.

111
00:06:06,735 --> 00:06:09,255
Também estamos usando biologia sintética

112
00:06:09,279 --> 00:06:11,999
para projetar uma vacina
candidata ao COVID-19.

113
00:06:13,014 --> 00:06:18,467
Estamos redirecionando a vacina BCG, usada
contra a tuberculose há quase um século.

114
00:06:18,585 --> 00:06:20,126
É uma vacina viva atenuada,

115
00:06:20,150 --> 00:06:24,807
e a estamos projetando
para expressar antígenos SARS-CoV-2,

116
00:06:24,831 --> 00:06:27,645
que devem desencadear a produção
de anticorpos protetores

117
00:06:27,669 --> 00:06:29,304
pelo sistema imunológico.

118
00:06:29,328 --> 00:06:32,062
É importante ressaltar que a BCG
é massivamente escalável

119
00:06:32,086 --> 00:06:37,219
e possui um perfil de segurança entre
os melhores de qualquer vacina relatada.

120
00:06:37,881 --> 00:06:42,986
Com as ferramentas da biologia sintética
e da inteligência artificial,

121
00:06:43,010 --> 00:06:46,358
podemos vencer a luta
contra esse novo coronavírus.

122
00:06:46,844 --> 00:06:50,163
Este trabalho está nos estágios
iniciais, mas a promessa é real.

123
00:06:50,798 --> 00:06:54,183
Ciência e tecnologia podem nos dar
uma vantagem importante

124
00:06:54,183 --> 00:06:57,452
na batalha da inteligência humana
contra os genes das superbactérias,

125
00:06:57,452 --> 00:06:59,199
uma batalha que podemos vencer.

126
00:06:59,990 --> 00:07:01,223
Obrigado.