1
00:00:00,880 --> 00:00:03,945
Então, como é que vamos vencer
o novo coronavírus?

2
00:00:04,317 --> 00:00:07,278
Utilizando os nossos
melhores instrumentos:

3
00:00:07,298 --> 00:00:09,330
a nossa ciência e tecnologia.

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

5
00:00:12,750 --> 00:00:14,529
e a biologia sintética,

6
00:00:14,543 --> 00:00:17,541
para acelerar a luta contra esta pandemia.

7
00:00:17,898 --> 00:00:20,241
O nosso trabalho foi 
originalmente projetado

8
00:00:20,261 --> 00:00:22,948
para abordar a crise
de resistência aos antibióticos.

9
00:00:22,982 --> 00:00:27,301
O nosso projeto procura aproveitar
o poder de aprendizagem da máquina

10
00:00:27,331 --> 00:00:29,651
para reabastecer
o nosso arsenal antibiótico

11
00:00:29,695 --> 00:00:33,263
e evitar uma devastadora era 
pós-antibiótica a nível global.

12
00:00:33,685 --> 00:00:36,505
Principalmente,
a mesma tecnologia pode ser usada

13
00:00:36,529 --> 00:00:38,601
para procurar compostos antivirais

14
00:00:38,625 --> 00:00:41,537
que possam ajudar-nos
a combater a pandemia atual.

15
00:00:41,931 --> 00:00:44,962
A aprendizagem de máquina
está a mudar de forma radical

16
00:00:44,972 --> 00:00:47,434
o modelo tradicional
de descoberta de drogas.

17
00:00:47,434 --> 00:00:48,919
Com esta abordagem,

18
00:00:48,953 --> 00:00:52,641
em vez de testar meticulosamente
milhares de moléculas existentes

19
00:00:52,665 --> 00:00:54,511
uma a uma, num laboratório

20
00:00:54,525 --> 00:00:56,365
para determinar a eficácia delas,

21
00:00:56,365 --> 00:01:00,345
podemos treinar um computador
para explorar um espaço muitíssimo maior

22
00:01:00,345 --> 00:01:03,935
de todas as moléculas possíveis
que possamos sintetizar,

23
00:01:03,985 --> 00:01:09,095
e, assim, em vez de procurar
uma agulha no palheiro,

24
00:01:09,509 --> 00:01:13,093
podemos usar o íman gigante
do poder da informática

25
00:01:13,153 --> 00:01:17,522
para encontrar muitas agulhas
em muitos palheiros, simultaneamente.

26
00:01:18,207 --> 00:01:20,430
Já tivemos algum sucesso inicial.

27
00:01:20,950 --> 00:01:24,728
Recentemente, usámos
a aprendizagem de máquina

28
00:01:24,728 --> 00:01:26,579
para descobrir novos antibióticos

29
00:01:26,629 --> 00:01:29,443
que podem ajudar-nos a lutar 
contra as infeções bacterianas

30
00:01:29,473 --> 00:01:32,642
que podem ocorrer juntamente
com infeções de SARS-CoV-2 .

31
00:01:33,224 --> 00:01:37,423
Há dois meses, o Audacious Project do TED
aprovou o nosso financiamento,

32
00:01:37,473 --> 00:01:40,334
para ampliar maciçamente o nosso trabalho

33
00:01:40,374 --> 00:01:44,224
com o objetivo de descobrir 
sete novas classes de antibióticos,

34
00:01:44,304 --> 00:01:47,929
contra sete dos patógenos 
bacterianos mais mortais do mundo

35
00:01:47,959 --> 00:01:50,062
durante os próximos sete anos.

36
00:01:50,147 --> 00:01:51,921
Para contextualizar:

37
00:01:51,971 --> 00:01:54,176
o número de novas classes de antibióticos

38
00:01:54,206 --> 00:01:57,407
que foram descobertas durante
as três últimas décadas, é zero.

39
00:01:58,067 --> 00:02:01,709
Enquanto a procura de novos antibióticos
é para um futuro a médio prazo,

40
00:02:01,759 --> 00:02:05,820
o novo coronavírus representa
uma ameaça mortal imediata.

41
00:02:06,132 --> 00:02:10,075
Estou feliz por informar que achamos
poder usar a mesma tecnologia

42
00:02:10,191 --> 00:02:13,228
para procurar terapêuticas
para combater este vírus.

43
00:02:13,561 --> 00:02:15,472
Então como é que vamos fazer isso?

44
00:02:15,512 --> 00:02:18,564
Estamos a criar uma biblioteca
de formação composta

45
00:02:18,564 --> 00:02:21,824
com colaboradores
que aplicam essas moléculas

46
00:02:21,824 --> 00:02:24,090
a células infetadas de SARS-CoV-2

47
00:02:24,090 --> 00:02:27,426
para ver quais delas exibem
uma atividade eficaz.

48
00:02:28,186 --> 00:02:31,747
Esses dados serão usados para treinar
um modelo de aprendizagem de máquina

49
00:02:31,767 --> 00:02:34,008
que será aplicado
numa biblioteca "in silico"

50
00:02:34,028 --> 00:02:36,698
de mais de mil milhões de moléculas

51
00:02:36,728 --> 00:02:39,561
para procurar eventuais
novos compostos antivirais.

52
00:02:40,301 --> 00:02:43,112
Vamos sintetizar e testar 
as principais previsões

53
00:02:43,112 --> 00:02:46,047
e apresentar às clínicas
os candidatos mais promissores.

54
00:02:46,457 --> 00:02:49,211
Soa bom demais para ser verdade?
Bom, não devia.

55
00:02:49,672 --> 00:02:53,123
O projeto Antibiotics AI baseia-se
na nossa pesquisa de prova de conceito

56
00:02:53,123 --> 00:02:55,523
que levou à descoberta
de um novo antibiótico

57
00:02:55,563 --> 00:02:57,847
de amplo espetro chamado Halicin.

58
00:02:58,544 --> 00:03:01,354
O Halicin tem uma atividade
antibacteriana potente

59
00:03:01,374 --> 00:03:05,494
contra quase todos as bactérias
patogénicas resistentes a antibióticos.

60
00:03:05,554 --> 00:03:09,193
incluindo infeções
pan-resistentes intratáveis.

61
00:03:09,837 --> 00:03:12,529
Mais importante, em contraste
com os antibióticos atuais

62
00:03:12,529 --> 00:03:16,310
a frequência com que cada bactéria
desenvolve resistência contra o Halicin

63
00:03:16,379 --> 00:03:18,053
é notavelmente baixa.

64
00:03:18,258 --> 00:03:22,693
Nós testámos a capacidade de as bactérias
desenvolverem resistência contra o Halicin

65
00:03:22,753 --> 00:03:25,440
em comparação com o Cipro no laboratório.

66
00:03:25,625 --> 00:03:27,216
No caso do Cipro,

67
00:03:27,246 --> 00:03:29,949
ao fim de um dia apenas,
detetámos resistência.

68
00:03:30,033 --> 00:03:31,906
No caso do Halicin,

69
00:03:31,906 --> 00:03:34,395
ao fim de um dia, não detetámos
nenhuma resistência.

70
00:03:34,721 --> 00:03:37,707
Incrivelmente, ao fim de 30 dias,

71
00:03:37,767 --> 00:03:40,594
não detetámos
nenhuma resistência ao Halicin.

72
00:03:41,195 --> 00:03:46,406
Nesse projeto inicial, primeiro testámos
cerca de 2500 compostos contra o E. coli.

73
00:03:47,214 --> 00:03:50,041
Essa parte do treino incluía
antibióticos conhecidos,

74
00:03:50,041 --> 00:03:52,064
como o Cipro e a penicilina,

75
00:03:52,084 --> 00:03:54,674
assim como muitas drogas
que não são antibióticos.

76
00:03:54,914 --> 00:03:57,640
Usámos esses dados para treinar um modelo

77
00:03:57,670 --> 00:04:01,614
para saber as características moleculares
associadas à atividade antibacteriana.

78
00:04:02,217 --> 00:04:05,496
Depois, aplicámos esse modelo 
numa biblioteca de drogas reutilizadas

79
00:04:05,496 --> 00:04:07,709
formada por vários milhares de moléculas

80
00:04:07,709 --> 00:04:10,447
e pedimos ao modelo
para identificar moléculas

81
00:04:10,447 --> 00:04:13,195
que, previsivelmente,
têm propriedades antibacterianas

82
00:04:13,195 --> 00:04:15,811
mas não se parecem
com os antibióticos existentes.

83
00:04:16,351 --> 00:04:19,896
Curiosamente, somente
uma molécula nessa biblioteca

84
00:04:19,966 --> 00:04:23,616
encaixava nesses critérios,
e essa molécula era o Halicin.

85
00:04:24,446 --> 00:04:28,054
Considerando que o Halicin não se parece
com nenhum antibiótico existente,

86
00:04:28,114 --> 00:04:31,767
teria sido impossível que uma pessoa, 
mesmo um especialista em antibióticos,

87
00:04:31,767 --> 00:04:34,174
identificasse o Halicin dessa maneira.

88
00:04:34,754 --> 00:04:37,336
Imaginem agora o que podemos 
fazer com esta tecnologia

89
00:04:37,336 --> 00:04:39,255
contra a SARS-CoV-2.

90
00:04:39,627 --> 00:04:41,323
E isto não é tudo.

91
00:04:41,403 --> 00:04:44,094
Também vamos usar as ferramentas
da biologia sintética,

92
00:04:44,094 --> 00:04:46,868
ajustando com o ADN
e outros maquinismos celulares,

93
00:04:46,928 --> 00:04:49,944
para fins humanos
como combater a COVID-19,

94
00:04:50,354 --> 00:04:54,311
e, de notar, estamos a trabalhar
para desenvolver uma máscara protetora

95
00:04:54,371 --> 00:04:57,910
que também serve 
como um rápido teste de diagnóstico.

96
00:04:58,170 --> 00:04:59,871
Então, como isso funciona?

97
00:04:59,961 --> 00:05:03,820
Bom, nós mostrámos que podemos retirar
o maquinismo celular de uma célula viva

98
00:05:03,850 --> 00:05:08,341
e liofilizá-lo juntamente
com sensores de ARN, em papel,

99
00:05:08,391 --> 00:05:13,081
para criar diagnósticos
de baixo custo para o Ébola e o Zika.

100
00:05:13,414 --> 00:05:18,754
Os sensores são ativados quando são 
reidratados por uma amostra do paciente

101
00:05:18,804 --> 00:05:21,463
que pode consistir em sangue
ou saliva, por exemplo.

102
00:05:21,703 --> 00:05:25,009
Acontece que essa tecnologia
não se limita ao papel

103
00:05:25,103 --> 00:05:28,092
e pode ser aplicada a outros
materiais, incluindo o pano.

104
00:05:28,505 --> 00:05:30,591
Para a pandemia de COVID-19,

105
00:05:30,661 --> 00:05:34,786
estamos a desenvolver sensores
de ARN para detetar o vírus

106
00:05:34,876 --> 00:05:38,396
e liofilizar esses sensores juntamente
com o maquinismo celular necessário

107
00:05:38,426 --> 00:05:40,846
no tecido de uma máscara facial,

108
00:05:40,846 --> 00:05:43,082
onde o simples ato de respirar,

109
00:05:43,172 --> 00:05:45,972
juntamente com o vapor de água 
que acompanha a respiração

110
00:05:46,002 --> 00:05:47,735
pode ativar o teste.

111
00:05:47,812 --> 00:05:51,775
Portanto, se um paciente
está infetado com SARS-CoV-2,

112
00:05:51,815 --> 00:05:54,835
a máscara produzirá
um sinal fluorescente

113
00:05:54,835 --> 00:05:57,975
que pode ser detetado por um simples
dispositivo portátil barato.

114
00:05:58,390 --> 00:06:03,007
Em uma hora ou duas, o paciente
pode ser diagnosticado com segurança,

115
00:06:03,077 --> 00:06:06,434
à distância e com rigor.

116
00:06:06,814 --> 00:06:09,518
Também estamos a usar
a biologia sintética

117
00:06:09,548 --> 00:06:12,512
para desenvolver uma possível
vacina para a COVID-19.

118
00:06:12,984 --> 00:06:15,815
Estamos a redirecionar a vacina BCG

119
00:06:15,815 --> 00:06:18,675
que foi usada contra a tuberculose
durante quase um século.

120
00:06:18,705 --> 00:06:20,489
É uma vacina viva atenuada

121
00:06:20,489 --> 00:06:24,716
e estamos a modificá-la
para conseguir antigenes SARS-CoV-2,

122
00:06:24,766 --> 00:06:27,620
que deverão desencadear
a produção de anticorpos protetores

123
00:06:27,620 --> 00:06:29,477
pelo sistema imunológico.

124
00:06:29,577 --> 00:06:32,420
Melhor ainda, a BCG
pode ser produzida em grande quantidade

125
00:06:32,440 --> 00:06:36,786
e tem um dos melhores perfis de segurança 
de qualquer vacina já conhecida.

126
00:06:37,909 --> 00:06:42,759
Com estas ferramentas da biologia
sintética e da inteligência artificial,

127
00:06:42,918 --> 00:06:46,315
podemos vencer a luta
contra o novo coronavírus.

128
00:06:46,915 --> 00:06:50,200
Este trabalho está nas etapas iniciais, 
mas a promessa é real.

129
00:06:50,630 --> 00:06:54,040
A ciência e a tecnologia podem dar-nos
uma importante vantagem

130
00:06:54,113 --> 00:06:57,440
na batalha da inteligência humana
contra os genes das superbactérias,

131
00:06:57,500 --> 00:06:59,820
uma batalha que podemos vencer.

132
00:06:59,906 --> 00:07:01,755
Obrigado.