WEBVTT

00:00:00.917 --> 00:00:03.825
Como vamos vencer esse novo coronavírus?

00:00:04.317 --> 00:00:06.948
Usando nossas melhores ferramentas:

00:00:06.972 --> 00:00:09.011
nossa ciência e nossa tecnologia.

00:00:09.594 --> 00:00:12.726
No meu laboratório, usamos
ferramentas de inteligência artificial

00:00:12.750 --> 00:00:14.329
e biologia sintética

00:00:14.353 --> 00:00:17.413
para acelerar a luta contra essa pandemia.

00:00:18.078 --> 00:00:19.965
O trabalho foi originalmente projetado

00:00:19.965 --> 00:00:22.818
para enfrentar a crise
de resistência aos antibióticos.

00:00:22.842 --> 00:00:27.501
Nosso projeto busca aproveitar o poder
do aprendizado de máquina

00:00:27.501 --> 00:00:29.425
para repor nosso arsenal de antibióticos

00:00:29.425 --> 00:00:33.263
e evitar uma era pós-antibiótica
globalmente devastadora.

00:00:33.685 --> 00:00:38.625
Sobretudo, a mesma tecnologia pode ser
usada para procurar compostos antivirais

00:00:38.625 --> 00:00:41.303
que poderiam nos ajudar
a combater a pandemia atual.

NOTE Paragraph

00:00:42.080 --> 00:00:45.982
Aprendizado de máquina está revolucionando
o modelo tradicional de descoberta

00:00:46.006 --> 00:00:47.410
de medicamentos.

00:00:47.434 --> 00:00:48.659
Com essa abordagem,

00:00:48.683 --> 00:00:52.761
em vez de testar meticulosamente
milhares de moléculas existentes,

00:00:52.785 --> 00:00:55.856
uma por uma, pela sua eficácia
em um laboratório,

00:00:55.856 --> 00:01:00.513
podemos treinar um computador pra explorar
o espaço exponencialmente maior

00:01:00.513 --> 00:01:04.145
de essencialmente todas as moléculas
possíveis que poderiam ser sintetizadas,

00:01:04.145 --> 00:01:09.759
e, assim, em vez de procurar
uma agulha no palheiro,

00:01:09.783 --> 00:01:13.543
podemos usar o imã gigante
do poder da computação

00:01:13.567 --> 00:01:17.482
para encontrar muitas agulhas
em vários palheiros, simultaneamente.

NOTE Paragraph

00:01:18.423 --> 00:01:20.415
Já tivemos algum sucesso inicial.

00:01:21.010 --> 00:01:26.465
Recentemente, usamos aprendizado de
máquina para descobrir novos antibióticos

00:01:26.465 --> 00:01:29.083
que podem nos ajudar a combater
as infecções bacterianas

00:01:29.083 --> 00:01:32.694
que podem ocorrer em conjunto
com infecções por SARS-CoV-2.

00:01:33.181 --> 00:01:37.350
Há dois meses, o Audacious Project
do TED aprovou financiamento

00:01:37.374 --> 00:01:39.562
pra ampliarmos intensamente nosso trabalho

00:01:39.586 --> 00:01:44.214
com o objetivo de descobrir
sete novas classes de antibióticos

00:01:44.238 --> 00:01:47.721
contra sete dos patógenos
bacterianos mortais do mundo

00:01:47.745 --> 00:01:49.800
nos próximos sete anos.

00:01:50.206 --> 00:01:51.939
Para contextualizar:

00:01:51.963 --> 00:01:53.915
o número de novas classes de antibióticos

00:01:53.915 --> 00:01:57.150
descobertas nas últimas
três décadas é zero.

NOTE Paragraph

00:01:57.990 --> 00:02:01.625
Embora a busca por novos antibióticos
seja para o nosso futuro a médio prazo,

00:02:01.625 --> 00:02:06.277
o novo coronavírus representa
uma ameaça mortal imediata,

00:02:06.301 --> 00:02:10.094
e fico feliz em dizer que acreditamos
que podemos usar a mesma tecnologia

00:02:10.118 --> 00:02:12.927
para procurar terapêuticas
para combater esse vírus.

00:02:13.486 --> 00:02:15.205
Então, como vamos fazer isso?

00:02:15.229 --> 00:02:18.177
Estamos criando uma biblioteca
de treinamento composto,

00:02:18.201 --> 00:02:23.743
com colaboradores que aplicam as moléculas
em células infectadas com SARS-CoV-2

00:02:23.767 --> 00:02:27.661
para ver quais delas
exibem atividade efetiva.

00:02:28.015 --> 00:02:31.331
Usaremos esses dados para treinar
um modelo de aprendizado de máquina,

00:02:31.331 --> 00:02:33.665
o qual será aplicado
a uma biblioteca "in silico"

00:02:33.665 --> 00:02:35.485
de mais de 1 bilhão de moléculas

00:02:35.485 --> 00:02:39.629
para procurar potenciais
novos compostos antivirais.

00:02:40.324 --> 00:02:42.982
Vamos sintetizar e testar
as principais previsões

00:02:43.006 --> 00:02:46.255
e encaminhar os candidatos
mais promissores para a clínica.

NOTE Paragraph

00:02:46.356 --> 00:02:48.134
Parece bom demais para ser verdade?

00:02:48.158 --> 00:02:49.590
Bem, não deveria.

00:02:49.590 --> 00:02:52.963
O "Antibiotics AI Project" é baseado
na pesquisa de prova de conceito

00:02:52.963 --> 00:02:56.364
que levou à descoberta
de um novo antibiótico de amplo espectro

00:02:56.388 --> 00:02:57.883
chamado Halocin.

00:02:58.443 --> 00:03:01.256
O Halocin tem atividade
antibacteriana potente

00:03:01.280 --> 00:03:05.382
contra quase todos os patógenos
bacterianos resistentes a antibióticos,

00:03:05.406 --> 00:03:09.447
incluindo infecções
pan-resistentes intratáveis.

00:03:09.862 --> 00:03:12.156
Mas ao contrário dos antibióticos atuais,

00:03:12.156 --> 00:03:15.850
a frequência com que bactérias
desenvolvem resistência contra o Halocin

00:03:15.874 --> 00:03:17.538
é notavelmente baixa.

00:03:18.303 --> 00:03:23.013
Testamos a capacidade das bactérias
de desenvolver resistência contra Halocin

00:03:23.037 --> 00:03:24.825
e contra Cipro no laboratório.

00:03:25.299 --> 00:03:26.841
No caso do Cipro,

00:03:26.865 --> 00:03:29.690
depois de só um dia, vimos resistência.

00:03:30.213 --> 00:03:31.691
No caso do Halocin,

00:03:31.691 --> 00:03:34.090
depois de um dia, não houve resistência.

00:03:34.479 --> 00:03:40.631
Surpreendentemente, depois de até 30 dias,
não vimos nenhuma resistência contra ele.

NOTE Paragraph

00:03:41.098 --> 00:03:46.624
Neste projeto piloto, primeiro testamos
cerca de 2,5 mil compostos contra E. coli.

00:03:47.259 --> 00:03:50.039
Esse conjunto de estudo
incluía antibióticos conhecidos,

00:03:50.063 --> 00:03:51.809
como Cipro e penicilina,

00:03:51.809 --> 00:03:54.365
bem como medicamentos
que não são antibióticos.

00:03:54.984 --> 00:03:57.571
Usamos esses dados para treinar um modelo

00:03:57.595 --> 00:04:01.573
para aprender características moleculares
associadas à atividade antibacteriana.

00:04:02.039 --> 00:04:05.134
Nós os usamos numa biblioteca
de reaproveitamento de medicamentos

00:04:05.134 --> 00:04:07.472
contendo vários milhares de moléculas

00:04:07.496 --> 00:04:10.114
e pedimos ao modelo
para identificar moléculas

00:04:10.138 --> 00:04:12.922
que se prevê terem
propriedades antibacterianas,

00:04:12.946 --> 00:04:15.523
mas não se parecem
com antibióticos existentes.

00:04:16.427 --> 00:04:21.224
Curiosamente, apenas uma molécula nessa
biblioteca se encaixa nesses critérios,

00:04:21.248 --> 00:04:23.914
e ela acabou por ser o próprio Halocin.

00:04:24.444 --> 00:04:27.532
Dado que ele não se parece
com nenhum antibiótico existente,

00:04:27.556 --> 00:04:31.710
teria sido impossível para um ser humano,
incluindo um especialista em antibióticos,

00:04:31.734 --> 00:04:33.918
identificá-lo dessa maneira.

00:04:34.574 --> 00:04:37.204
Imagine agora o que poderíamos
fazer com esta tecnologia

00:04:37.228 --> 00:04:38.969
contra o SARS-CoV-2.

NOTE Paragraph

00:04:39.783 --> 00:04:41.148
E isso não é tudo.

00:04:41.172 --> 00:04:43.992
Também estamos usando
as ferramentas da biologia sintética,

00:04:44.016 --> 00:04:46.627
ajustando DNA e outras máquinas celulares,

00:04:46.651 --> 00:04:50.561
para servir a propósitos humanos,
como combater a COVID-19,

00:04:50.585 --> 00:04:54.232
e estamos trabalhando para desenvolver
uma máscara protetora

00:04:54.256 --> 00:04:57.688
que também possa servir
como teste rápido de diagnóstico.

00:04:58.192 --> 00:04:59.664
Então, como isso funciona?

00:04:59.664 --> 00:05:03.497
Mostramos recentemente que podemos tirar
a maquinaria celular de uma célula viva

00:05:03.884 --> 00:05:07.976
e liofilizá-la junto
com sensores de RNA no papel

00:05:08.000 --> 00:05:12.916
para criar diagnósticos
de baixo custo para o Ebola e o Zika.

00:05:13.503 --> 00:05:18.730
Os sensores são ativados quando são
reidratados por uma amostra de paciente

00:05:18.754 --> 00:05:21.576
que poderia consistir em sangue
ou saliva, por exemplo.

00:05:21.600 --> 00:05:24.861
Mas esta tecnologia não se limita ao papel

00:05:24.885 --> 00:05:27.771
e pode ser aplicada
a outros materiais, incluindo tecidos.

00:05:28.671 --> 00:05:30.613
Para a pandemia de COVID-19,

00:05:30.637 --> 00:05:34.983
estamos projetando sensores
de RNA para detectar o vírus

00:05:35.007 --> 00:05:38.217
e liofilizá-los juntamente
com as máquinas celulares necessárias

00:05:38.241 --> 00:05:40.948
no tecido de uma máscara facial,

00:05:40.972 --> 00:05:43.201
na qual o simples ato de respirar,

00:05:43.225 --> 00:05:47.482
junto com o vapor de água
da respiração, pode ativar o teste.

00:05:47.804 --> 00:05:52.064
Assim, se um paciente estiver
infectado com SARS-CoV-2,

00:05:52.088 --> 00:05:54.161
a máscara produzirá um sinal fluorescente

00:05:54.185 --> 00:05:58.015
que poderia ser detectado por um
dispositivo portátil simples e barato.

00:05:58.534 --> 00:06:03.018
Em uma ou duas horas,
um paciente poderia ser diagnosticado

00:06:03.042 --> 00:06:06.014
de forma segura, remota e precisa.

NOTE Paragraph

00:06:06.735 --> 00:06:09.255
Também estamos usando biologia sintética

00:06:09.279 --> 00:06:11.999
para projetar uma vacina
candidata ao COVID-19.

00:06:13.014 --> 00:06:18.467
Estamos redirecionando a vacina BCG, usada
contra a tuberculose há quase um século.

00:06:18.585 --> 00:06:20.126
É uma vacina viva atenuada,

00:06:20.150 --> 00:06:24.807
e a estamos projetando
para expressar antígenos SARS-CoV-2,

00:06:24.831 --> 00:06:27.645
que devem desencadear a produção
de anticorpos protetores

00:06:27.669 --> 00:06:29.304
pelo sistema imunológico.

00:06:29.328 --> 00:06:32.062
É importante ressaltar que a BCG
é massivamente escalável

00:06:32.086 --> 00:06:37.219
e possui um perfil de segurança entre
os melhores de qualquer vacina relatada.

NOTE Paragraph

00:06:37.881 --> 00:06:42.986
Com as ferramentas da biologia sintética
e da inteligência artificial,

00:06:43.010 --> 00:06:46.358
podemos vencer a luta
contra esse novo coronavírus.

00:06:46.844 --> 00:06:50.163
Este trabalho está nos estágios
iniciais, mas a promessa é real.

00:06:50.798 --> 00:06:54.183
Ciência e tecnologia podem nos dar
uma vantagem importante

00:06:54.183 --> 00:06:57.452
na batalha da inteligência humana
contra os genes das superbactérias,

00:06:57.452 --> 00:06:59.199
uma batalha que podemos vencer.

NOTE Paragraph

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