WEBVTT

00:00:00.880 --> 00:00:03.945
Então, como é que vamos vencer
o novo coronavírus?

00:00:04.317 --> 00:00:07.278
Utilizando os nossos
melhores instrumentos:

00:00:07.298 --> 00:00:09.330
a nossa ciência e tecnologia.

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

00:00:12.750 --> 00:00:14.529
e a biologia sintética,

00:00:14.543 --> 00:00:17.541
para acelerar a luta contra esta pandemia.

00:00:17.898 --> 00:00:20.241
O nosso trabalho foi 
originalmente projetado

00:00:20.261 --> 00:00:22.948
para abordar a crise
de resistência aos antibióticos.

00:00:22.982 --> 00:00:27.301
O nosso projeto procura aproveitar
o poder de aprendizagem da máquina

00:00:27.331 --> 00:00:29.651
para reabastecer
o nosso arsenal antibiótico

00:00:29.695 --> 00:00:33.263
e evitar uma devastadora era 
pós-antibiótica a nível global.

00:00:33.685 --> 00:00:36.505
Principalmente,
a mesma tecnologia pode ser usada

00:00:36.529 --> 00:00:38.601
para procurar compostos antivirais

00:00:38.625 --> 00:00:41.537
que possam ajudar-nos
a combater a pandemia atual.

NOTE Paragraph

00:00:41.931 --> 00:00:44.962
A aprendizagem de máquina
está a mudar de forma radical

00:00:44.972 --> 00:00:47.434
o modelo tradicional
de descoberta de drogas.

00:00:47.434 --> 00:00:48.919
Com esta abordagem,

00:00:48.953 --> 00:00:52.641
em vez de testar meticulosamente
milhares de moléculas existentes

00:00:52.665 --> 00:00:54.511
uma a uma, num laboratório

00:00:54.525 --> 00:00:56.365
para determinar a eficácia delas,

00:00:56.365 --> 00:01:00.345
podemos treinar um computador
para explorar um espaço muitíssimo maior

00:01:00.345 --> 00:01:03.935
de todas as moléculas possíveis
que possamos sintetizar,

00:01:03.985 --> 00:01:09.095
e, assim, em vez de procurar
uma agulha no palheiro,

00:01:09.509 --> 00:01:13.093
podemos usar o íman gigante
do poder da informática

00:01:13.153 --> 00:01:17.522
para encontrar muitas agulhas
em muitos palheiros, simultaneamente.

NOTE Paragraph

00:01:18.207 --> 00:01:20.430
Já tivemos algum sucesso inicial.

00:01:20.950 --> 00:01:24.728
Recentemente, usámos
a aprendizagem de máquina

00:01:24.728 --> 00:01:26.579
para descobrir novos antibióticos

00:01:26.629 --> 00:01:29.443
que podem ajudar-nos a lutar 
contra as infeções bacterianas

00:01:29.473 --> 00:01:32.642
que podem ocorrer juntamente
com infeções de SARS-CoV-2 .

00:01:33.224 --> 00:01:37.423
Há dois meses, o Audacious Project do TED
aprovou o nosso financiamento,

00:01:37.473 --> 00:01:40.334
para ampliar maciçamente o nosso trabalho

00:01:40.374 --> 00:01:44.224
com o objetivo de descobrir 
sete novas classes de antibióticos,

00:01:44.304 --> 00:01:47.929
contra sete dos patógenos 
bacterianos mais mortais do mundo

00:01:47.959 --> 00:01:50.062
durante os próximos sete anos.

00:01:50.147 --> 00:01:51.921
Para contextualizar:

00:01:51.971 --> 00:01:54.176
o número de novas classes de antibióticos

NOTE Paragraph

00:01:54.206 --> 00:01:57.407
que foram descobertas durante
as três últimas décadas, é zero.

00:01:58.067 --> 00:02:01.709
Enquanto a procura de novos antibióticos
é para um futuro a médio prazo,

00:02:01.759 --> 00:02:05.820
o novo coronavírus representa
uma ameaça mortal imediata.

00:02:06.132 --> 00:02:10.075
Estou feliz por informar que achamos
poder usar a mesma tecnologia

00:02:10.191 --> 00:02:13.228
para procurar terapêuticas
para combater este vírus.

00:02:13.561 --> 00:02:15.472
Então como é que vamos fazer isso?

00:02:15.512 --> 00:02:18.564
Estamos a criar uma biblioteca
de formação composta

00:02:18.564 --> 00:02:21.824
com colaboradores
que aplicam essas moléculas

00:02:21.824 --> 00:02:24.090
a células infetadas de SARS-CoV-2

00:02:24.090 --> 00:02:27.426
para ver quais delas exibem
uma atividade eficaz.

00:02:28.186 --> 00:02:31.747
Esses dados serão usados para treinar
um modelo de aprendizagem de máquina

NOTE Paragraph

00:02:31.767 --> 00:02:34.008
que será aplicado
numa biblioteca "in silico"

00:02:34.028 --> 00:02:36.698
de mais de mil milhões de moléculas

00:02:36.728 --> 00:02:39.561
para procurar eventuais
novos compostos antivirais.

00:02:40.301 --> 00:02:43.112
Vamos sintetizar e testar 
as principais previsões

00:02:43.112 --> 00:02:46.047
e apresentar às clínicas
os candidatos mais promissores.

00:02:46.457 --> 00:02:49.211
Soa bom demais para ser verdade?
Bom, não devia.

00:02:49.672 --> 00:02:53.123
O projeto Antibiotics AI baseia-se
na nossa pesquisa de prova de conceito

00:02:53.123 --> 00:02:55.523
que levou à descoberta
de um novo antibiótico

00:02:55.563 --> 00:02:57.847
de amplo espetro chamado Halicin.

00:02:58.544 --> 00:03:01.354
O Halicin tem uma atividade
antibacteriana potente

00:03:01.374 --> 00:03:05.494
contra quase todos as bactérias
patogénicas resistentes a antibióticos.

00:03:05.554 --> 00:03:09.193
incluindo infeções
pan-resistentes intratáveis.

00:03:09.837 --> 00:03:12.529
Mais importante, em contraste
com os antibióticos atuais

00:03:12.529 --> 00:03:16.310
a frequência com que cada bactéria
desenvolve resistência contra o Halicin

00:03:16.379 --> 00:03:18.053
é notavelmente baixa.

00:03:18.258 --> 00:03:22.693
Nós testámos a capacidade de as bactérias
desenvolverem resistência contra o Halicin

00:03:22.753 --> 00:03:25.440
em comparação com o Cipro no laboratório.

00:03:25.625 --> 00:03:27.216
No caso do Cipro,

NOTE Paragraph

00:03:27.246 --> 00:03:29.949
ao fim de um dia apenas,
detetámos resistência.

00:03:30.033 --> 00:03:31.906
No caso do Halicin,

00:03:31.906 --> 00:03:34.395
ao fim de um dia, não detetámos
nenhuma resistência.

00:03:34.721 --> 00:03:37.707
Incrivelmente, ao fim de 30 dias,

00:03:37.767 --> 00:03:40.594
não detetámos
nenhuma resistência ao Halicin.

00:03:41.195 --> 00:03:46.406
Nesse projeto inicial, primeiro testámos
cerca de 2500 compostos contra o E. coli.

00:03:47.214 --> 00:03:50.041
Essa parte do treino incluía
antibióticos conhecidos,

00:03:50.041 --> 00:03:52.064
como o Cipro e a penicilina,

00:03:52.084 --> 00:03:54.674
assim como muitas drogas
que não são antibióticos.

00:03:54.914 --> 00:03:57.640
Usámos esses dados para treinar um modelo

00:03:57.670 --> 00:04:01.614
para saber as características moleculares
associadas à atividade antibacteriana.

00:04:02.217 --> 00:04:05.496
Depois, aplicámos esse modelo 
numa biblioteca de drogas reutilizadas

00:04:05.496 --> 00:04:07.709
formada por vários milhares de moléculas

00:04:07.709 --> 00:04:10.447
e pedimos ao modelo
para identificar moléculas

00:04:10.447 --> 00:04:13.195
que, previsivelmente,
têm propriedades antibacterianas

00:04:13.195 --> 00:04:15.811
mas não se parecem
com os antibióticos existentes.

NOTE Paragraph

00:04:16.351 --> 00:04:19.896
Curiosamente, somente
uma molécula nessa biblioteca

00:04:19.966 --> 00:04:23.616
encaixava nesses critérios,
e essa molécula era o Halicin.

00:04:24.446 --> 00:04:28.054
Considerando que o Halicin não se parece
com nenhum antibiótico existente,

00:04:28.114 --> 00:04:31.767
teria sido impossível que uma pessoa, 
mesmo um especialista em antibióticos,

00:04:31.767 --> 00:04:34.174
identificasse o Halicin dessa maneira.

00:04:34.754 --> 00:04:37.336
Imaginem agora o que podemos 
fazer com esta tecnologia

00:04:37.336 --> 00:04:39.255
contra a SARS-CoV-2.

00:04:39.627 --> 00:04:41.323
E isto não é tudo.

00:04:41.403 --> 00:04:44.094
Também vamos usar as ferramentas
da biologia sintética,

00:04:44.094 --> 00:04:46.868
ajustando com o ADN
e outros maquinismos celulares,

00:04:46.928 --> 00:04:49.944
para fins humanos
como combater a COVID-19,

00:04:50.354 --> 00:04:54.311
e, de notar, estamos a trabalhar
para desenvolver uma máscara protetora

00:04:54.371 --> 00:04:57.910
que também serve 
como um rápido teste de diagnóstico.

00:04:58.170 --> 00:04:59.871
Então, como isso funciona?

00:04:59.961 --> 00:05:03.820
Bom, nós mostrámos que podemos retirar
o maquinismo celular de uma célula viva

00:05:03.850 --> 00:05:08.341
e liofilizá-lo juntamente
com sensores de ARN, em papel,

00:05:08.391 --> 00:05:13.081
para criar diagnósticos
de baixo custo para o Ébola e o Zika.

00:05:13.414 --> 00:05:18.754
Os sensores são ativados quando são 
reidratados por uma amostra do paciente

00:05:18.804 --> 00:05:21.463
que pode consistir em sangue
ou saliva, por exemplo.

00:05:21.703 --> 00:05:25.009
Acontece que essa tecnologia
não se limita ao papel

00:05:25.103 --> 00:05:28.092
e pode ser aplicada a outros
materiais, incluindo o pano.

00:05:28.505 --> 00:05:30.591
Para a pandemia de COVID-19,

00:05:30.661 --> 00:05:34.786
estamos a desenvolver sensores
de ARN para detetar o vírus

00:05:34.876 --> 00:05:38.396
e liofilizar esses sensores juntamente
com o maquinismo celular necessário

00:05:38.426 --> 00:05:40.846
no tecido de uma máscara facial,

00:05:40.846 --> 00:05:43.082
onde o simples ato de respirar,

NOTE Paragraph

00:05:43.172 --> 00:05:45.972
juntamente com o vapor de água 
que acompanha a respiração

00:05:46.002 --> 00:05:47.735
pode ativar o teste.

00:05:47.812 --> 00:05:51.775
Portanto, se um paciente
está infetado com SARS-CoV-2,

00:05:51.815 --> 00:05:54.835
a máscara produzirá
um sinal fluorescente

NOTE Paragraph

00:05:54.835 --> 00:05:57.975
que pode ser detetado por um simples
dispositivo portátil barato.

00:05:58.390 --> 00:06:03.007
Em uma hora ou duas, o paciente
pode ser diagnosticado com segurança,

00:06:03.077 --> 00:06:06.434
à distância e com rigor.

00:06:06.814 --> 00:06:09.518
Também estamos a usar
a biologia sintética

00:06:09.548 --> 00:06:12.512
para desenvolver uma possível
vacina para a COVID-19.

00:06:12.984 --> 00:06:15.815
Estamos a redirecionar a vacina BCG

NOTE Paragraph

00:06:15.815 --> 00:06:18.675
que foi usada contra a tuberculose
durante quase um século.

00:06:18.705 --> 00:06:20.489
É uma vacina viva atenuada

00:06:20.489 --> 00:06:24.716
e estamos a modificá-la
para conseguir antigenes SARS-CoV-2,

00:06:24.766 --> 00:06:27.620
que deverão desencadear
a produção de anticorpos protetores

00:06:27.620 --> 00:06:29.477
pelo sistema imunológico.

00:06:29.577 --> 00:06:32.420
Melhor ainda, a BCG
pode ser produzida em grande quantidade

NOTE Paragraph

00:06:32.440 --> 00:06:36.786
e tem um dos melhores perfis de segurança 
de qualquer vacina já conhecida.

00:06:37.909 --> 00:06:42.759
Com estas ferramentas da biologia
sintética e da inteligência artificial,

00:06:42.918 --> 00:06:46.315
podemos vencer a luta
contra o novo coronavírus.

00:06:46.915 --> 00:06:50.200
Este trabalho está nas etapas iniciais, 
mas a promessa é real.

00:06:50.630 --> 00:06:54.040
A ciência e a tecnologia podem dar-nos
uma importante vantagem

00:06:54.113 --> 00:06:57.440
na batalha da inteligência humana
contra os genes das superbactérias,

00:06:57.500 --> 00:06:59.820
uma batalha que podemos vencer.

00:06:59.906 --> 00:07:01.755
Obrigado.