WEBVTT

00:00:01.507 --> 00:00:03.396
Pada tahun 2003,

00:00:03.420 --> 00:00:06.333
ketika melakukan sekuens
genom pada manusia,

00:00:06.357 --> 00:00:09.974
kami pikir menemukan jawaban untuk
mengobati berbagai penyakit itu mudah.

00:00:10.974 --> 00:00:13.631
Ternyata kenyataannya tidak semudah itu,

00:00:14.782 --> 00:00:16.703
karena selain gen,

00:00:16.727 --> 00:00:21.297
lingkungan dan gaya hidup
manusia juga memiliki peranan penting

00:00:21.321 --> 00:00:23.869
yang memengaruhi berbagai penyakit mayor.

NOTE Paragraph

00:00:23.893 --> 00:00:27.473
Contohnya adalah penyakit hati berlemak,

00:00:27.497 --> 00:00:31.580
yang memengaruhi 20% populasi global,

00:00:31.604 --> 00:00:34.638
belum ditemukan pengobatannya
dan menjadi penyebab kanker hati

00:00:34.662 --> 00:00:36.085
atau gagal hati.

00:00:37.517 --> 00:00:42.261
Sekuens DNA saja belum cukup
memberikan informasi

00:00:42.285 --> 00:00:44.517
untuk mendapatkan terapeutik yang efektif.

NOTE Paragraph

00:00:44.541 --> 00:00:48.297
Untungnya, ada banyak molekul 
lain di dalam tubuh,

00:00:48.321 --> 00:00:52.301
bahkan ada lebih dari 100 ribu metabolit.

00:00:52.325 --> 00:00:56.621
Metabolit adalah molekul yang
berukuran sangat kecil.

NOTE Paragraph

00:00:57.193 --> 00:01:02.165
Contohnya adalah glukosa, 
fruktosa, lemak, kolesterol --

00:01:02.189 --> 00:01:03.699
yang sudah sering kita dengar.

00:01:04.273 --> 00:01:07.256
Metabolit terbentuk dari metabolisme.

00:01:08.066 --> 00:01:12.094
Metabolit adalah bagian hilir DNA,

00:01:12.118 --> 00:01:17.200
yang berfungsi membawa 
informasi gen dan gaya hidup manusia.

00:01:17.224 --> 00:01:21.897
Memahami metabolit bermanfaat
untuk menemukan pengobatan

00:01:21.897 --> 00:01:22.897
berbagai penyakit.

00:01:22.897 --> 00:01:25.109
Dulu saya bercita-cita menjadi
seorang dokter.

00:01:25.934 --> 00:01:28.816
Tetapi, 15 tahun lalu saya harus
meninggalkan

00:01:28.816 --> 00:01:29.816
sekolah kedokteran,

00:01:29.816 --> 00:01:31.781
karena tidak lulus pelajaran matematika.

00:01:33.019 --> 00:01:35.955
Sejak saat itu, saya sadar bahwa

00:01:36.692 --> 00:01:39.455
matematika bisa digunakan untuk
mempelajari obat-obatan.

00:01:41.026 --> 00:01:46.222
Kemudian, saya mengembangkan
algoritma untuk menganalisis data biologi.

00:01:47.092 --> 00:01:49.375
Kedengarannya mudah.

00:01:49.399 --> 00:01:53.000
Mengumpulkan data metabolit
dari dalam tubuh,

00:01:53.024 --> 00:01:57.176
mengembangkan model matematika
untuk menguraikan perubahan data metabolit

00:01:57.176 --> 00:01:58.176
di dalam penyakit,

00:01:58.176 --> 00:02:01.164
lalu mengendalikan perubahan
tersebut untuk mengobati penyakit.

NOTE Paragraph

00:02:02.488 --> 00:02:05.960
Kemudian saya sadar belum
ada orang yang melakukan ini

00:02:07.337 --> 00:02:08.917
karena benar-benar sulit.

NOTE Paragraph

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

NOTE Paragraph

00:02:10.052 --> 00:02:12.464
Metabolit banyak terdapat
di dalam tubuh.

00:02:12.783 --> 00:02:15.283
Setiap metabolit berbeda satu sama lain.

00:02:15.307 --> 00:02:19.035
Beberapa senyawa metabolit
dapat diukur massa molekulernya

00:02:19.059 --> 00:02:21.652
menggunakan alat spektometri massa.

00:02:21.676 --> 00:02:26.069
Namun, karena ada 10 molekul
dengan massa yang persis sama,

00:02:26.093 --> 00:02:27.900
molekul yang pasti sulit diketahui

00:02:27.924 --> 00:02:30.698
dan jika ingin melakukan identifikasi,

NOTE Paragraph

00:02:30.722 --> 00:02:33.826
diperlukan pengujian lebih lanjut
yang memakan waktu lama

00:02:33.850 --> 00:02:35.564
dan berharga jutaan dolar.

00:02:36.207 --> 00:02:41.770
Sehingga kami membangun Inteligensi
Artifisial atau platform AI

00:02:41.794 --> 00:02:44.638
untuk memaksimalkan 
perkembangan data biologi

00:02:44.662 --> 00:02:49.086
serta membangun pangkalan data
informasi tentang metabolit

00:02:49.110 --> 00:02:52.238
dan interaksinya dengan molekul lain.

00:02:52.262 --> 00:02:55.686
Kami menggabungkan semua data
dalam jaringan besar.

00:02:55.710 --> 00:02:59.106
Kemudian, kami mengambil
jaringan atau darah pasien,

00:02:59.130 --> 00:03:01.881
untuk mengukur massa metabolit

00:03:01.905 --> 00:03:05.164
dan mencari massa yang berubah
di dalam penyakit.

00:03:05.188 --> 00:03:08.378
Tetapi, kami belum menemukan
senyawa molekul yang pasti.

00:03:08.402 --> 00:03:13.331
Massa molekuler 180 mungkin
adalah glukosa, galaktosa, atau fruktosa,

00:03:13.561 --> 00:03:15.580
yang memiliki massa persis sama

00:03:15.604 --> 00:03:17.691
tetapi fungsinya berbeda di dalam tubuh.

NOTE Paragraph

00:03:17.715 --> 00:03:20.707
Algoritma AI menjawab
semua ambiguitas itu.

00:03:21.326 --> 00:03:24.062
AI menggali jaringan besar

00:03:24.086 --> 00:03:28.113
untuk menemukan cara
massa metabolit terhubung satu sama lain

00:03:28.463 --> 00:03:30.421
yang mengakibatkan timbulnya penyakit.

00:03:30.445 --> 00:03:32.683
Dari cara metabolit terhubung,

00:03:32.707 --> 00:03:37.030
kami menentukan massa setiap metabolit,

00:03:37.054 --> 00:03:39.978
misalnya, massa molekuler 180
adalah glukosa

00:03:40.002 --> 00:03:42.553
dan yang lebih penting kami menemukan

00:03:42.577 --> 00:03:45.799
bahwa perubahan dalam glukosa
dan metabolit lain

00:03:45.968 --> 00:03:47.473
dapat menyebabkan
penyakit.

00:03:47.497 --> 00:03:50.492
Penemuan baru tentang
mekanisme penyakit ini

00:03:50.516 --> 00:03:55.008
memungkinkan kita untuk menemukan
terapeutik efektif sebagai pengobatan.

NOTE Paragraph

00:03:55.601 --> 00:03:59.446
Lalu, kami mendirikan perusahaan rintisan
untuk membawa teknologi ini ke pasar

00:03:59.470 --> 00:04:01.275
dan menyelamatkan jiwa manusia.

00:04:01.722 --> 00:04:05.267
Saat ini saya dan tim di ReviveMed
bekerja untuk menemukan

00:04:05.291 --> 00:04:10.396
terapeutik bagi penyakit mayor
yang disebabkan oleh metabolit,

00:04:10.420 --> 00:04:12.317
seperti penyakit hati berlemak,

00:04:12.341 --> 00:04:15.265
akibat timbunan lemak

00:04:15.289 --> 00:04:17.762
yang merupakan tipe metabolit
di dalam hati.

00:04:17.786 --> 00:04:21.726
Penyakit ini adalah epidemi besar
yang belum ditemukan obatnya.

NOTE Paragraph

00:04:21.750 --> 00:04:24.474
Penyakit hati berlemak hanya
sebuah contoh.

00:04:24.498 --> 00:04:28.676
Selanjutnya, kami akan menangani
ratusan penyakit lain

00:04:28.700 --> 00:04:30.193
yang belum tertangani.

00:04:30.217 --> 00:04:34.771
Dengan mengumpulkan lebih
banyak data metabolit

00:04:34.795 --> 00:04:38.339
dan memahami bahwa perubahan
di dalam metabolit

00:04:38.363 --> 00:04:40.765
bisa menjadi penyebab penyakit,

00:04:40.789 --> 00:04:44.278
algoritma bisa diandalkan

00:04:44.302 --> 00:04:48.498
untuk menemukan terapeutik yang
sesuai untuk pasien yang tepat.

00:04:48.522 --> 00:04:52.292
Visi kami akan lebih mudah dicapai,

00:04:52.316 --> 00:04:56.179
yaitu menyelamatkan jiwa manusia 
menggunakan setiap baris kode.

NOTE Paragraph

00:04:56.203 --> 00:04:57.524
Terima kasih.

NOTE Paragraph

00:04:57.548 --> 00:05:01.375
(Tepuk tangan)