WEBVTT

00:00:01.507 --> 00:00:03.396
2003-ban,

00:00:03.420 --> 00:00:06.333
amikor szekvenáltuk az emberi genomot,

00:00:06.357 --> 00:00:10.279
azt gondoltuk, hogy megkapjuk a választ
számos betegség kezelésére,

00:00:10.974 --> 00:00:13.631
de a valóság távol áll ettől,

00:00:14.782 --> 00:00:16.703
mert a génjeink mellett

00:00:16.727 --> 00:00:21.297
környezetünk és életmódunk is
jelentős szerepet játszik

00:00:21.321 --> 00:00:23.869
a főbb betegségek kialakulásában.

NOTE Paragraph

00:00:23.893 --> 00:00:27.473
Az egyik példa a zsírmáj,

00:00:27.497 --> 00:00:31.580
ami a világ népességének
több mint 20 százalékát érinti,

00:00:31.604 --> 00:00:34.638
nincs gyógymódja, és májrákhoz

00:00:34.662 --> 00:00:36.395
vagy májelégtelenséghez vezet.

00:00:37.517 --> 00:00:42.261
Tehát csak a DNS szekvenálása
nem ad elegendő információt ahhoz,

00:00:42.285 --> 00:00:44.517
hogy hatékony terápiákat találjunk.

NOTE Paragraph

00:00:44.541 --> 00:00:48.297
A jó hír, hogy sok más molekula is,

00:00:48.321 --> 00:00:52.301
valójában több mint 100 000 metabolit
található a testünkben.

00:00:52.325 --> 00:00:56.621
A metabolitok rendkívül
kis méretű molekulák.

00:00:57.193 --> 00:01:02.165
Ismert példák a glükóz,
a fruktóz, a zsírok, a koleszterin –

00:01:02.189 --> 00:01:03.699
ezekről állandóan hallunk.

00:01:04.273 --> 00:01:07.256
A metabolitok részt vesznek
az anyagcserénkben.

00:01:08.066 --> 00:01:12.094
Ezek úgyszintén a DNS
gyakorlati megvalósulásai,

00:01:12.118 --> 00:01:17.200
tehát információkat hordoznak
génjeinkről és életmódunkról.

00:01:17.224 --> 00:01:22.873
A metabolitok megértése sok betegségnél
szükséges a gyógymód megtalálásához.

NOTE Paragraph

00:01:22.897 --> 00:01:25.109
Mindig betegeket akartam kezelni.

00:01:25.934 --> 00:01:29.792
Ennek ellenére 15 évvel ezelőtt
otthagytam az orvosi iskolát,

00:01:29.816 --> 00:01:31.781
mivel hiányzott a matematika.

00:01:33.019 --> 00:01:35.955
Nem sokkal ezután
rátaláltam a legmenőbb dologra:

00:01:36.692 --> 00:01:40.000
Tudom használni a matematikát
az orvostudomány tanulmányozására.

00:01:41.026 --> 00:01:46.239
Azóta algoritmusokat fejlesztek
biológiai adatok elemzésére.

00:01:47.092 --> 00:01:49.375
Ez könnyűnek tűnt:

00:01:49.399 --> 00:01:53.000
gyűjtsünk adatokat
a testben levő összes metabolitról,

00:01:53.024 --> 00:01:58.152
írjuk le matematikai modellekkel,
hogyan változnak meg egy betegség során,

00:01:58.176 --> 00:02:01.164
és avatkozzunk be
ezekbe a változásokba, kezeljük őket.

NOTE Paragraph

00:02:02.488 --> 00:02:05.960
Aztán rájöttem, miért nem
foglalkozott ezzel még senki:

00:02:07.230 --> 00:02:08.917
mert rendkívül nehéz.

NOTE Paragraph

00:02:08.941 --> 00:02:10.028
(Nevetés)

NOTE Paragraph

00:02:10.052 --> 00:02:12.464
A szervezetben sok metabolit található.

00:02:12.783 --> 00:02:15.283
Mindegyik különbözik a másiktól.

00:02:15.307 --> 00:02:19.035
Egyes metabolitok molekulatömege

00:02:19.059 --> 00:02:21.652
mérhető tömegspektrometriás eszközökkel.

00:02:21.676 --> 00:02:26.069
De mivel akár 10 molekulának is lehet
pontosan ugyanakkora a tömege,

00:02:26.093 --> 00:02:27.900
nem tudjuk pontosan, melyek azok,

00:02:27.924 --> 00:02:30.698
és az egyértelmű beazonosításhoz
több kísérlet kéne,

00:02:30.722 --> 00:02:33.826
ez pedig évtizedeket

00:02:33.850 --> 00:02:35.564
és dollármilliárdokat venne igénybe.

NOTE Paragraph

00:02:36.207 --> 00:02:41.770
Tehát kifejlesztettünk rá
egy mesterséges intelligenciát.

00:02:41.794 --> 00:02:44.638
Kihasználtuk a biológiai adatok
szüntelen gyarapodását,

00:02:44.662 --> 00:02:49.086
és felépítettünk egy adatbázist
a metabolitokról meglévő információkból,

00:02:49.110 --> 00:02:52.238
és kölcsönhatásukról más molekulákkal.

00:02:52.262 --> 00:02:55.686
Egy megahálózatban összesítettük
ezeket az adatokat.

00:02:55.710 --> 00:02:59.106
Ezután a betegek szöveteiből vagy véréből

00:02:59.130 --> 00:03:01.881
megmérjük a metabolitok tömegét,

00:03:01.905 --> 00:03:05.188
és megkeressük azokat a tömegeket,
amelyek megváltoztak a betegségben.

00:03:05.188 --> 00:03:08.378
De, ahogy korábban is említettem,
nem tudjuk pontosan, melyek azok.

00:03:08.402 --> 00:03:13.537
A 180-as molekulatömeg
lehet glükóz, galaktóz vagy fruktóz is.

00:03:13.537 --> 00:03:15.510
Mindegyik pontosan egyforma tömegű,

00:03:15.510 --> 00:03:17.715
de különböző funkciókat
látnak el a testünkben.

00:03:17.715 --> 00:03:21.302
Az MI algoritmusunk
figyelembe vette mindezt.

00:03:21.326 --> 00:03:24.062
Ezután átnézte a megahálózatot,

00:03:24.086 --> 00:03:28.439
hogy megtudja, ezek a metabolikus tömegek
hogyan kapcsolódnak egymáshoz,

00:03:28.463 --> 00:03:30.421
hogyan vezetnek betegséghez.

00:03:30.445 --> 00:03:32.683
A kapcsolódásuk módjából

00:03:32.707 --> 00:03:37.030
képesek vagyunk következtetni arra,
mik is ezek a metabolitok,

00:03:37.054 --> 00:03:39.978
hogy a 180-as tömegű itt glükóz lehet,

00:03:40.002 --> 00:03:42.553
és ami még fontosabb, hogy felfedezzük,

00:03:42.577 --> 00:03:45.944
a glükóz és más metabolitok változása

00:03:45.968 --> 00:03:47.473
hogyan vezet betegséghez.

00:03:47.497 --> 00:03:50.492
A betegségmechanizmusok
ezen újszerű megértése lehetővé teszi,

00:03:50.516 --> 00:03:55.008
hogy hatékony terápiás gyógyszereket
fejlesszünk ki a kezeléshez.

NOTE Paragraph

00:03:55.601 --> 00:03:59.446
Létrehoztunk egy induló vállalkozást,
hogy ezt a technológiát forgalomba hozzuk,

00:03:59.470 --> 00:04:01.525
és hatással legyünk az emberek életére.

00:04:01.722 --> 00:04:05.267
Jelenleg csapatommal a ReviveMednél
a fő betegségek kezelését fejlesztjük,

00:04:05.291 --> 00:04:10.396
melynek során a metabolitok
kulcsfontosságú szerepet játszanak,

00:04:10.420 --> 00:04:12.317
mint például a zsírmáj,

00:04:12.341 --> 00:04:15.265
melyet a zsírok felhalmozódása okoz,

00:04:15.289 --> 00:04:17.762
amelyek a máj metabolittípusai.

00:04:17.786 --> 00:04:21.726
Ahogy korábban említettem,
ez elterjedt betegség, gyógymód nélkül.

NOTE Paragraph

00:04:21.750 --> 00:04:24.474
A zsírmáj csak egy példa erre.

00:04:24.498 --> 00:04:26.056
Ahogy haladunk előre,

00:04:26.056 --> 00:04:30.193
ma még gyógyíthatatlan betegségek
százait fogjuk tudni kezelni.

00:04:30.217 --> 00:04:34.771
Majd ahogy egyre több
metabolitadatot gyűjtünk,

00:04:34.795 --> 00:04:38.339
és megértjük, hogy a metabolitok változása

00:04:38.363 --> 00:04:40.765
hogyan vezet betegségek kifejlődéséhez,

00:04:40.789 --> 00:04:44.278
algoritmusaink egyre okosabbak

00:04:44.302 --> 00:04:48.498
a betegek számára megfelelő
kezelések kifejlesztésében.

00:04:48.522 --> 00:04:52.292
És egyre közelebb kerülünk
ahhoz az elképzelésünkhöz,

00:04:52.316 --> 00:04:56.179
hogy minden kódsorral életeket mentsünk.

NOTE Paragraph

00:04:56.203 --> 00:04:57.524
Köszönöm.

NOTE Paragraph

00:04:57.548 --> 00:05:01.375
(Taps)