Return to Video

Hogyan használjuk a mesterséges intelligenciát új antibiotikumok felfedezésére?

  • 0:01 - 0:04
    Hogyan fogjuk legyőzni
    ezt az új koronavírust?
  • 0:04 - 0:07
    Legjobb eszközeink segítségével:
  • 0:07 - 0:09
    ami a tudomány és a technológia.
  • 0:10 - 0:12
    Laboratóriumunkban
    a mesterséges intelligenciát
  • 0:12 - 0:14
    és a szintetikus biológiát használjuk,
  • 0:14 - 0:17
    hogy felgyorsítsuk
    e járvány elleni harcot.
  • 0:18 - 0:19
    Munkánkat eredetileg
  • 0:20 - 0:23
    az antibiotikum-rezisztencia
    kezelésére terveztük.
  • 0:23 - 0:28
    Projektünk a gépi tanulás erejének
    hasznosítására törekszik,
  • 0:28 - 0:29
    újratölteni antibiotikum-arzenálunkat,
  • 0:29 - 0:33
    hogy elkerüljünk egy globálisan pusztító,
    antibiotikum utáni korszakot.
  • 0:34 - 0:37
    Lényeges, hogy ugyanaz
    a technológia használható
  • 0:37 - 0:39
    vírusellenes vegyületek kutatására,
  • 0:39 - 0:41
    ami segíthet bennünket
    a jelenlegi járvány elleni harcban.
  • 0:42 - 0:45
    A gépi tanulás a feje tetejére állította
  • 0:45 - 0:47
    a gyógyszerkutatás hagyományos modelljét.
  • 0:47 - 0:49
    Ezzel a megközelítéssel ahelyett,
  • 0:49 - 0:51
    hogy egyesével, kínkeservvel tesztelnénk
  • 0:51 - 0:53
    a már létező molekulák ezreinek
    hatékonyságát,
  • 0:53 - 0:56
    betaníthatunk egy számítógépet arra,
    hogy vizsgálja végig
  • 0:56 - 1:01
    lényegében az összes szintetizálható
    molekulának
  • 1:01 - 1:04
    a nagyságrendekkel nagyobb halmazát.
  • 1:04 - 1:10
    Így, ahelyett, hogy egy tűt
    keresnénk a szénakazalban,
  • 1:10 - 1:14
    a számítástechnika erejének
    gigantikus mágnesét használjuk
  • 1:14 - 1:17
    sok tű egyidejű keresésére
    számos szénakazalban.
  • 1:18 - 1:20
    Van már néhány kezdeti sikerünk.
  • 1:21 - 1:26
    Nemrég a gépi tanulást olyan új
    antibiotikumok felfedezésére használtuk,
  • 1:26 - 1:29
    amelyek segíthetnek legyőzni
  • 1:29 - 1:33
    a SARS-CoV-2 járványt kísérő
    bakteriális fertőzéseket.
  • 1:33 - 1:37
    Két hónapja elnyertük
    a TED's Audacious Project támogatását
  • 1:37 - 1:40
    munkánk széles körben történő
    kiterjesztéséhez,
  • 1:40 - 1:44
    azzal a céllal,
    hogy a következő hét év során
  • 1:44 - 1:48
    hét antibiotikum-osztályt találjunk
  • 1:48 - 1:50
    hét halálos baktérium ellen.
  • 1:50 - 1:52
    A könnyebb megértés kedvéért:
  • 1:52 - 1:54
    Az elmúlt három évtizedben felfedezett
  • 1:54 - 1:57
    új antibiotikum-osztályok száma: nulla.
  • 1:58 - 2:02
    Amíg az új antibiotikumok felkutatása
    a jövő középtávú feladata,
  • 2:02 - 2:06
    az új koronavírus
    azonnali halálos fenyegetést jelent,
  • 2:06 - 2:08
    és örömmel közölhetem, hogy úgy gondoljuk,
  • 2:08 - 2:13
    ugyanezt a technológiát felhasználhatjuk
    a vírus elleni gyógyszerkutatásra is.
  • 2:13 - 2:15
    Hogyan tesszük ezt?
  • 2:15 - 2:18
    Létrehozzuk a vegyületek
    egy tanító könyvtárát,
  • 2:18 - 2:24
    és munkatársaink SARS-CoV-2 fertőzte
    sejteken próbálják ki a molekulákat,
  • 2:24 - 2:28
    hogy lássuk, melyik mutat
    tényleges aktivitást.
  • 2:28 - 2:31
    Ezeket az adatokat felhasználjuk
    egy gépi tanuló modell betanítására,
  • 2:31 - 2:35
    hogy majd a gépben szimulált könyvtár
    több milliárd molekulájára alkalmazzuk
  • 2:35 - 2:40
    új, lehetséges vírusellenes
    vegyületeket keresve.
  • 2:40 - 2:43
    Szintetizáljuk és teszteljük
    a legjobb javaslatokat,
  • 2:43 - 2:46
    és kifejlesztjük a legígéretesebb
    jelölteket klinikai használatra.
  • 2:46 - 2:49
    Túl szépnek hangzik, hogy igaz legyen?
  • 2:49 - 2:50
    Pedig az!
  • 2:50 - 2:53
    Az Antibiotikum MI Project
    kutatási témánk bizonyítékán alapul,
  • 2:53 - 2:56
    amely egy új széles
    spektrumú antibiotikum,
  • 2:56 - 2:58
    a Halocin felfedezéséhez vezetett.
  • 2:58 - 3:01
    A Halocin erős antibakteriális
    tevékenységet fejt ki
  • 3:01 - 3:05
    majdnem minden
    antibiotikum-rezisztens baktérium ellen,
  • 3:05 - 3:09
    beleértve a kezelhetetlen
    pánrezisztens fertőzéseket is.
  • 3:10 - 3:12
    Fontos, hogy a jelenlegi
    antibiotikumokkal ellentétben
  • 3:12 - 3:16
    a Halocin elleni baktériumrezisztencia
    kifejlődésének gyakorisága
  • 3:16 - 3:17
    figyelemreméltóan alacsony.
  • 3:18 - 3:23
    Laboratóriumban teszteltük, hogy mennyire
    válnak rezisztenssé a baktériumok
  • 3:23 - 3:25
    a Halocinra, illetve a Cipróra.
  • 3:25 - 3:27
    A Ciprónál már egy nap után
  • 3:27 - 3:30
    kialakult a rezisztencia.
  • 3:30 - 3:32
    A Halicon esetében
  • 3:32 - 3:34
    egy nap múlva nem láttunk rezisztenciát.
  • 3:34 - 3:38
    Bámulatos, hogy 30 nap után sem láttunk
  • 3:38 - 3:40
    semmilyen rezisztenciát
    a Halocin irányában.
  • 3:41 - 3:47
    Ebben a próbaprojektben először kb.
    2500 vegyületet teszteltünk E. coli ellen.
  • 3:47 - 3:50
    Ez a betanító készlet
    ismert antibiotikumokat tartalmazott,
  • 3:50 - 3:52
    mint például a Cipro és a penicillin,
  • 3:52 - 3:54
    és sok gyógyszert is,
    melyek nem voltak antibiotikumok.
  • 3:55 - 3:59
    Ezeket az adatokat egy modell
    betanítására használtuk,
  • 3:59 - 4:02
    hogy megtanulja a molekulák
    antibakteriális tulajdonságait.
  • 4:02 - 4:05
    A modellt egy pár ezer molekulából
    álló könyvtárra alkalmaztuk,
  • 4:05 - 4:08
    ami gyógyszereket tartalmazott,
    melyeknek új felhasználást kerestünk.
  • 4:08 - 4:10
    Olyan molekulákat kellett találnia,
  • 4:10 - 4:13
    melyeknek várhatóan
    lesz antibakteriális hatásuk,
  • 4:13 - 4:15
    de nem úgy néznek ki,
    mint a meglévő antibiotikumok.
  • 4:16 - 4:21
    Érdekes, hogy csak egy molekula
    felelt meg a feltételeknek,
  • 4:21 - 4:24
    és kiderült, hogy az a molekula a Halocin.
  • 4:24 - 4:28
    Tekintve, hogy a Halocin nem hasonlít
    egy ismert antibiotikumra sem,
  • 4:28 - 4:32
    lehetetlen lett volna, hogy egy ember –
    beleértve az antibiotikum-szakértőket is –
  • 4:32 - 4:34
    azonosítsa a Halocint ezen a módon.
  • 4:34 - 4:37
    Most képzeljék el, mire juthatunk
    ezzel a technológiával
  • 4:37 - 4:39
    a SARS-CoV-2 ellen!
  • 4:40 - 4:41
    Ez nem minden.
  • 4:41 - 4:44
    A szintetikus biológia
    eszközeit is használjuk,
  • 4:44 - 4:47
    DNS-sel és egyéb
    sejtszerkezettel babrálva,
  • 4:47 - 4:51
    emberi célokat szolgálunk,
    mint a COVID-19 elleni küzdelem,
  • 4:51 - 4:54
    és megjegyezném, hogy dolgozunk
    egy olyan védőmaszk kifejlesztésén,
  • 4:54 - 4:58
    amely gyors diagnosztizálást is végez.
  • 4:58 - 5:00
    Vajon hogyan működik?
  • 5:00 - 5:01
    Nos, nemrég bemutattuk,
  • 5:01 - 5:04
    hogy kivehetjük
    a sejtszerkezetet egy élő sejtből,
  • 5:04 - 5:08
    és liofilizálhatjuk
    az RNS-sel együtt papíron azért,
  • 5:08 - 5:13
    hogy olcsón diagnosztizáljuk
    az ebolát és a Zika-vírust.
  • 5:14 - 5:19
    A szenzorok aktiválódnak, amikor
    a beteg mintája újból hidratálja őket,
  • 5:19 - 5:22
    ami lehet például vér vagy nyál.
  • 5:22 - 5:25
    Kiderült, hogy ez a technológia
    nem korlátozódik a papírra,
  • 5:25 - 5:28
    egyéb anyagokra
    is alkalmazható, pl. ruhára.
  • 5:29 - 5:31
    A COVID-19 járványhoz
  • 5:31 - 5:35
    RNS-szenzorokat tervezünk
    a vírus kimutatására,
  • 5:35 - 5:38
    és liofilizáljuk ezeket a szükséges
    sejtszerkezetekkel együtt
  • 5:38 - 5:41
    az arcmaszk szövetébe,
  • 5:41 - 5:43
    ahol maga a lélegzés,
  • 5:43 - 5:46
    a lecsapódó párával együtt,
  • 5:46 - 5:47
    képes aktiválni a tesztet.
  • 5:48 - 5:52
    Így ha a beteg SARS-CoV-2-vel fertőzött,
  • 5:52 - 5:54
    A maszk fluoreszkáló jelet hoz létre,
  • 5:54 - 5:58
    amit egy egyszerű, olcsó
    kézi eszköz is képes észlelni.
  • 5:59 - 6:03
    Így egy-két órán belül
    diagnosztizálható a beteg –
  • 6:03 - 6:06
    biztonságosan, távolról és pontosan.
  • 6:07 - 6:09
    A szintetikus biológiát
    arra is használjuk,
  • 6:09 - 6:12
    hogy a COVID-19 ellen
    oltóanyagot tervezzünk.
  • 6:13 - 6:16
    Újrahasznosítjuk a BCG-oltást,
  • 6:16 - 6:19
    amit már majdnem egy évszázada
    használunk a TBC ellen.
  • 6:19 - 6:20
    Ez élő, legyengített oltóanyag.
  • 6:20 - 6:25
    Átszerkesztjük a SARS-CoV-2
    antigénjeinek megfelelően,
  • 6:25 - 6:27
    hogy az immunrendszert
  • 6:27 - 6:29
    védő antitestek termelésére késztesse.
  • 6:29 - 6:32
    Fontos, hogy a BCG
    nagy mértékben szabályozható,
  • 6:32 - 6:37
    és biztonságos profilja van, az egyik
    legjobb az ismert oltóanyagok közül.
  • 6:38 - 6:43
    A szintetikus biológia és a mesterséges
    intelligencia eszközeivel
  • 6:43 - 6:46
    megnyerhetjük a harcot
    az új koronavírus ellen.
  • 6:47 - 6:50
    Ez a munka nagyon korai
    stádiumban van, de igen ígéretes.
  • 6:51 - 6:54
    A tudomány és a technológia
    jelentős előnyt adhat számunkra
  • 6:54 - 6:58
    az emberi értelem és a szuperbaktériumok
    génjei között zajló küzdelemben,
  • 6:58 - 6:59
    amelyet megnyerhetünk.
  • 7:00 - 7:02
    Köszönöm.
Title:
Hogyan használjuk a mesterséges intelligenciát új antibiotikumok felfedezésére?
Speaker:
Jim Collins
Description:

A koronavírus járvány előtt Jim Collins biomérnök és a csapata összekapcsolta a mesterséges intelligencia erejét a szintetikus biológiával, hogy egy másik fenyegető válság ellen küzdjenek: az antibiotikum-rezisztens szuperbaktériumok ellen. Collins elmagyarázza, hogyan tettek erőfeszítéseket egy sor eszköz és vírusellenes vegyület kifejlesztésére a COVID-19 elleni küzdelem érdekében, és ismerteti tervüket, hogy hét új antibiotikum-osztályt fedezzenek fel a következő hét évben. (Ez az ambiciózus terv a The Audacious Project, a TED globális változások ösztönzésére és finanszírozására irányuló kezdeményezésének része.)
more » « less
Video Language:
English
Team:
closed TED
Project:
TEDTalks
Duration:
07:15

Hungarian subtitles

Revisions

Our website uses cookies for analysis purposes.