WEBVTT

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

00:00:03.420 --> 00:00:06.333
quando sequenciamos o genoma humano,

00:00:06.357 --> 00:00:10.279
pensamos que teríamos a resposta
para tratar muitas doenças.

00:00:10.974 --> 00:00:13.801
Mas a realidade está bem longe,

00:00:14.782 --> 00:00:16.703
porque, além de nossos genes,

00:00:16.727 --> 00:00:21.297
nosso ambiente e estilo de vida
podem ter um papel significativo

00:00:21.321 --> 00:00:23.869
no desenvolvimento
de muitas doenças importantes.

NOTE Paragraph

00:00:23.893 --> 00:00:27.473
Um exemplo é a esteatose hepática,

00:00:27.497 --> 00:00:31.580
que afeta mais de 20%
da população mundial,

00:00:31.604 --> 00:00:34.638
não tem tratamento
e leva ao câncer hepático

00:00:34.662 --> 00:00:36.515
ou à insuficiência hepática.

00:00:37.517 --> 00:00:42.261
O sequenciamento do DNA por si só
não nos fornece informações suficientes

00:00:42.285 --> 00:00:44.517
para encontrar terapias eficazes.

NOTE Paragraph

00:00:44.541 --> 00:00:48.297
Pelo lado positivo, há muitas
outras moléculas em nosso corpo.

00:00:48.321 --> 00:00:52.301
De fato, há mais de 100 mil metabólitos.

00:00:52.325 --> 00:00:56.621
Metabólitos são quaisquer moléculas
superpequenas em tamanho.

00:00:57.193 --> 00:01:02.165
Exemplos conhecidos são glicose,
frutose, gorduras, colesterol,

00:01:02.189 --> 00:01:03.719
coisas que ouvimos o tempo todo.

00:01:04.273 --> 00:01:07.256
Metabólitos estão envolvidos
em nosso metabolismo.

00:01:08.066 --> 00:01:12.094
Também estão em regiões do DNA

00:01:12.118 --> 00:01:17.200
e carregam informações de nossos genes
e também de nosso estilo de vida.

00:01:17.224 --> 00:01:18.797
Compreender os metabólitos

00:01:18.817 --> 00:01:22.867
é fundamental para descobrir
tratamentos para muitas doenças.

NOTE Paragraph

00:01:22.897 --> 00:01:25.109
Sempre quis tratar pacientes.

00:01:25.934 --> 00:01:29.792
Apesar disso, há 15 anos,
deixei a faculdade de medicina

00:01:29.816 --> 00:01:31.781
pois eu sentia falta da matemática.

00:01:33.019 --> 00:01:35.955
Logo depois, descobri algo incrível:

00:01:36.692 --> 00:01:39.455
posso usar a matemática
para estudar medicina.

00:01:41.026 --> 00:01:46.239
Desde então, venho desenvolvendo
algoritmos para analisar dados biológicos.

00:01:47.092 --> 00:01:49.375
Parecia fácil:

00:01:49.399 --> 00:01:53.000
vamos coletar dados de todos
os metabólitos de nosso corpo,

00:01:53.024 --> 00:01:54.836
desenvolver modelos matemáticos


00:01:54.856 --> 00:01:58.146
para descrever como eles mudam
com certas doenças

00:01:58.176 --> 00:02:01.164
e intervir nessas mudanças para tratá-las.

NOTE Paragraph

00:02:02.488 --> 00:02:05.750
Foi aí que percebi por que
ninguém havia feito isso antes:

00:02:07.230 --> 00:02:08.917
é extremamente difícil.

NOTE Paragraph

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

NOTE Paragraph

00:02:10.052 --> 00:02:12.374
Existem muitos metabólitos em nosso corpo.

00:02:12.783 --> 00:02:15.283
Cada um é diferente do outro.

00:02:15.307 --> 00:02:19.035
Para alguns metabólitos,
podemos medir a massa molecular

00:02:19.059 --> 00:02:21.652
com instrumentos
de espectrometria de massa.

00:02:21.676 --> 00:02:26.069
Mas, como pode haver dez moléculas
com a mesma massa,

00:02:26.093 --> 00:02:27.900
não sabemos exatamente o que são

00:02:27.924 --> 00:02:30.698
e, se quisermos identificar
todas claramente,

00:02:30.722 --> 00:02:33.826
teremos que fazer mais experimentos,
o que pode levar décadas

00:02:33.850 --> 00:02:35.394
e custar bilhões de dólares.

NOTE Paragraph

00:02:36.207 --> 00:02:40.694
Desenvolvemos uma plataforma
de inteligência artificial, ou IA,

00:02:40.714 --> 00:02:41.774
para fazer isso.

00:02:41.794 --> 00:02:44.638
Aproveitamos o crescimento
de dados biológicos

00:02:44.662 --> 00:02:46.140
e construímos um banco de dados

00:02:46.160 --> 00:02:49.090
de qualquer informação
existente sobre metabólitos

00:02:49.110 --> 00:02:52.238
e suas interações com outras moléculas.

00:02:52.262 --> 00:02:55.686
Reunimos todos esses dados
em uma megarrede.

00:02:55.710 --> 00:02:59.106
E a partir de tecidos
ou sangue de pacientes,

00:02:59.130 --> 00:03:01.881
medimos massas de metabólitos

00:03:01.905 --> 00:03:05.164
e encontramos as massas
que variam em uma doença.

00:03:05.188 --> 00:03:08.378
Mas, como mencionei antes,
não sabemos exatamente o que são.

00:03:08.402 --> 00:03:13.537
Uma massa molecular de 180
poderia ser glicose, galactose ou frutose.

00:03:13.561 --> 00:03:15.580
Todas têm exatamente a mesma massa,

00:03:15.604 --> 00:03:17.691
mas funções diferentes em nosso corpo.

00:03:17.715 --> 00:03:21.302
Nosso algoritmo de IA
considerou todas essas ambiguidades

00:03:21.326 --> 00:03:24.932
e explorou essa megarrede para descobrir

00:03:24.956 --> 00:03:28.443
as interconexões dessas massas metabólicas

00:03:28.463 --> 00:03:30.421
que resultam em doenças.

00:03:30.445 --> 00:03:32.683
Pela maneira como estão conectadas,

00:03:32.707 --> 00:03:37.030
conseguimos deduzir
a massa de cada metabólito -

00:03:37.054 --> 00:03:39.978
como, neste exemplo,
180 poderia ser glicose -

00:03:40.002 --> 00:03:42.553
e, mais importante, descobrir

00:03:42.577 --> 00:03:45.944
como mudanças na glicose
e em outros metabólitos

00:03:45.968 --> 00:03:47.473
levam a uma doença.

00:03:47.497 --> 00:03:50.492
Essa nova compreensão
dos mecanismos das doenças

00:03:50.516 --> 00:03:55.008
nos permite descobrir terapias
eficazes para o tratamento.

NOTE Paragraph

00:03:55.601 --> 00:03:59.446
Assim criamos uma "startup"
para levar essa tecnologia ao mercado

00:03:59.470 --> 00:04:01.275
e impactar a vida das pessoas.

00:04:01.722 --> 00:04:05.267
Agora, minha equipe e eu da ReviveMed
estamos trabalhando para descobrir

00:04:05.291 --> 00:04:10.400
terapias para doenças importantes
causadas por metabólitos,

00:04:10.420 --> 00:04:12.317
como a esteatose hepática,

00:04:12.341 --> 00:04:15.265
pois é causada pelo acúmulo de gorduras,

00:04:15.289 --> 00:04:17.762
que são tipos de metabólitos no fígado.

00:04:17.786 --> 00:04:19.170
Como mencionei antes,

00:04:19.190 --> 00:04:21.730
é uma epidemia enorme
que não tem tratamento.

NOTE Paragraph

00:04:21.750 --> 00:04:24.474
E a esteatose hepática é só um exemplo.

00:04:24.498 --> 00:04:28.676
No futuro, lidaremos
com centenas de outras doenças

00:04:28.700 --> 00:04:30.193
que não têm tratamento.

00:04:30.217 --> 00:04:34.771
Ao coletar cada vez mais dados
sobre metabólitos

00:04:34.795 --> 00:04:38.339
e entender como as mudanças
nos metabólitos

00:04:38.363 --> 00:04:40.765
levam ao desenvolvimento de doenças,

00:04:40.789 --> 00:04:44.278
nossos algoritmos ficarão
cada vez mais inteligentes

00:04:44.302 --> 00:04:48.498
para descobrir as terapias certas
para os pacientes certos.

00:04:48.522 --> 00:04:52.292
E ficaremos mais próximos
de alcançar nossa visão

00:04:52.316 --> 00:04:56.179
de salvar vidas com cada linha de código.

NOTE Paragraph

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

NOTE Paragraph

00:04:57.548 --> 00:04:59.545
(Aplausos)