لە ساڵی 2003 دا، کاتێک جیناتی مرۆڤمان زنجیرە کرد، پێمان وابوو وەڵامێکمان بۆ چارەسەرکردنی زۆر نەخۆشی دەبێت. بەڵام ڕاستییەکە لەوەوە دوورە، چونکە سهڕهڕای جیناتمان، ژینگەکەمان و شێوازی ژیانمان، دەورێکی گرنگی ههیه لە بەرەو پێشچونی چەند نەخۆشییەک. وەکو نموونەیەک بۆ ئەوە نەخۆشی چەوری جگەرە، کە لەسەدا٢٠ ی دانیشتوان لەسەر ئاستی جیهان توشی دەبن، و هیچ چارەسەرێکی نییە و دەبێت بە شێرپەنجەی جگەر یان لە ئیش کەوتنی جگەر. کەواتە زنجیرەکردنی دی ئێن ئەی بە تەنها زانیاری تەواومان ناداتێ بۆ دۆزینەوەی چارەسەرە کاریگەرەکان. لە لایەکی دیکەوە، چەند گەردێکی دیکە لەناو لەشماندا هەن. لە ڕاستیدا، سەروو ١٠٠،٠٠٠ ماددە زیندەگییەکان هەیە. ماددە زیندەگییەکان، ئەو گەردانەن کە قەبارەیان ئەوپەڕی بچووکە. گلوکۆز، فرەکتۆز(جۆرەکانی شەکر) و کۆلیسترۆل نموونەی ناسراون-- شتانێک ئێمە هەموکات دەیبیستین. ماددە زیندەگییەکان بەشدارن لەکرداری مێتابۆلیزم. ئەوانیش وەک دی ئێن ئەین، کەواتە زانیاریەکان لە جینات و شێوازی ژیانمانەوە وەردەگرن. تێگەیشتنی ماددە زیندەگییەکان بنچینەیە بۆ دۆزینەوەی چارەسەری زۆربەی نەخۆشییەکان. من هەمیشە چارەسەری نەخۆشەکانم ویستووە. بێجگە لەوەش، ۱٥ساڵ لەمەوبەر وازم لەخوێندنی پزیشکی هێنا، وەک چۆن بیرکاریم لە دەستدا. هەر زوو دوای ئەوە، باشترین شتم دۆزیەوە: دەتوانم بیرکاری بەکار بهێنم بۆ خوێندنی دەرمانسازی. لەو کاتەوە، ئالگۆریزمەکانم بۆ شیکردنەوەی داتا زیندەوەرزانییەکان گەشەپێدا. کەواتە، وا دیارە ئاسانە: با زانیاری لە هەموو ماددە زیندەگییەکانی ناو لەشمان کۆبکەینەوە، گەشەپێدانی نموونە بیرکارییەکان بۆ ڕوونکردنەوەی چۆنییەتی گۆڕانیان بۆ نەخۆشی و دەست خستنە ناو ئەو گۆڕانانە بۆ چارەسەر کردنیان. دواتر درکم بەوە کرد بۆچی تا ئێستە کەس ئەمەی نەکردووە: ئەمە ئەوپەڕی سەختە. (پێکەنین) زۆرماددەی زیندەگی لە جەستەماندا هەیە. هەر یەک لەوی تر جیاوازە. بۆ هەندێک ماددەی زیندەگی، دەتوانین ڕێژەی گەردەکانیان بپێوین بە بەکارهنێانی ئامێری ڕێژە پێوی سپێکترۆمیتری. بەڵام، لەبەر ئەوەی بەهەمان ڕێژە، هێندەی ١٠ گەرد دەبوون، بە تەواوەتی نازانین ئەوان چین، و ئەگەر دەتەوێت بەڕوونی ئەوان بناسێنیت، دەبێت تاقیکردنەوەی زیاتر بکەیت، کە ئەوەش چەند ساڵێکی دەوێت و بلیۆنان دۆلاریش. هەروەها ئێمە پەرەمان بە زیرەکییەکی دەستکرد دا، یان سەکۆی ئەی ئای، بۆ کردنی ئەوە. ئێمە سودمان لە گەشەسەندنی زانیارییە زیندەوەرییەکان وەرگرت و بنیاتنانی داتابەیسێک بۆ هەر زانیاریەک کە دەربارەی ماددە زیندەگییەکان هەیە و کارلێک کردنیان لەگەڵ گەردەکانی تر. و هەموو ئەم زانیاریانەمان یەکخست وەکو تۆڕێکی گەورە. دواتر، لە شانە یان خوێنی نەخۆشەکانەوە، ڕێژەی ماددە زیندەگییەکانمان پێوا و ئەو ڕێژانەمان دۆزییەوە کە دەگۆڕان بۆ نەخۆشی. بەڵام، وەکو پێشتر ئاماژەم پێدا، ئێمە بە تەواوی نازانین ئەوان چین. گەردی قەبارە ١٨٠لەوانەیە، گلوکۆز، گالاکتۆز یان فرەکتۆز بێت. هەموویان ڕێژەیەکی تەواو وەک یەکیان هەیە بەڵام ئەرکی جیاواز لە لەشماندا. سیستەمی ئەی ئای ئەلگۆریزمەکەمان ڕەچاوی هەمو ئەو ناڕوونیانەی کردووە. دواتر ئەو تۆڕە گەورەی بەکارهێنا بۆ دۆزینەوەی ئەوەی چۆن ڕێژەی ماددە زیندەگییەکان پێکەوە دەبەسترێن کە دەرئەنجامەکەی دەبێت بە نەخۆشی. و بەهۆی ئەو ڕێگەیەی پێکەوە بەستراون، دەتوانین بۆمان دەربکەوێت، ڕێژەی هەر ماددە زیندەگییەک چەندە، وەکو ئەوە کە ١٨٠ دەبێت لێرە شەکری گلوکۆز بێت، و، لەوە گرنگتر، بۆ دۆزینەوەی ئەمەیە: چۆن گۆڕان لە گلوکۆز و گەردە زیندەگییەکانی تر دەبن بە نەخۆشی. ئەم تێگەیشتنە نوێیەی ڕێگەکانی کارکردنی نەخۆشی دواتر وامان لێدەکات چارەسەرە کاریگەرەکان بۆ ئەو مەبەستە بدۆزینەوە. کارگەیەکی تازەمان بۆ هێنانە بازاڕی ئەو تەکنەلۆژیایە پێک هێنا و کار دەکاتە سەر ژیانی خەڵک. ئێستا من و تیمەکەم لە (ڕیڤایڤمێد) كاردهكهین بۆ دۆزینەوەی چارەسەر بۆ زۆربەی نەخۆشی، کە کلیلەکەیان ماددە زیندەگییەکانە، وەکو نەخۆشی چەوری جگەر، لەبەر ئەوەی هۆکارەکەی کەڵەکەبوونی چەورییەکانە، کە لە جۆری ماددە زیندەگییەکانن لە ناو جگەردا. وەکو پێشتر ئاماژەم پێدا، درمێکی زۆر گەورەیە بە بێ چارەسەر. و نەخۆشی چەوری جگەر تەنها نموونەیەکە. بە بەردەوامبوون، ڕووبەڕووی سەدان نەخۆشی دیکە دەبینەوە بە بێ بوونی چارەسەر. و بە کۆکردنەوەی زانیاری زیاتر و زیاتر دەربارەی ماددە زیندەگییەکان و تێگەیشتن لەوەی ماددە زیندەگییەکان چۆن دەگۆڕێن دەبن بە نەخۆشی گەشەسەندوو، بەمەش سیستەمە ئەلگۆریزمەکەمان زیرەکترو زیرەکتر دەبێت بۆ دۆزینەوەی چارەسەری گونجاو بۆ نەخۆشی گونجاو. و ئێمە لە گەیشتن بە وەشانی پاراستنی ژیانی خۆمان نزیکتر دەبینەوە لە هەر هێڵێکی کۆد. سوپاس. (چەپڵەی ئامادەبوان)
In 2003, when we sequenced the human genome, we thought we would have the answer to treat many diseases. But the reality is far from that, because in addition to our genes, our environment and lifestyle could have a significant role in developing many major diseases. One example is fatty liver disease, which is affecting over 20 percent of the population globally, and it has no treatment and leads to liver cancer or liver failure. So sequencing DNA alone doesn't give us enough information to find effective therapeutics. On the bright side, there are many other molecules in our body. In fact, there are over 100,000 metabolites. Metabolites are any molecule that is supersmall in their size. Known examples are glucose, fructose, fats, cholesterol -- things we hear all the time. Metabolites are involved in our metabolism. They are also downstream of DNA, so they carry information from both our genes as well as lifestyle. Understanding metabolites is essential to find treatments for many diseases. I've always wanted to treat patients. Despite that, 15 years ago, I left medical school, as I missed mathematics. Soon after, I found the coolest thing: I can use mathematics to study medicine. Since then, I've been developing algorithms to analyze biological data. So, it sounded easy: let's collect data from all the metabolites in our body, develop mathematical models to describe how they are changed in a disease and intervene in those changes to treat them. Then I realized why no one has done this before: it's extremely difficult. (Laughter) There are many metabolites in our body. Each one is different from the other one. For some metabolites, we can measure their molecular mass using mass spectrometry instruments. But because there could be, like, 10 molecules with the exact same mass, we don't know exactly what they are, and if you want to clearly identify all of them, you have to do more experiments, which could take decades and billions of dollars. So we developed an artificial intelligence, or AI, platform, to do that. We leveraged the growth of biological data and built a database of any existing information about metabolites and their interactions with other molecules. We combined all this data as a meganetwork. Then, from tissues or blood of patients, we measure masses of metabolites and find the masses that are changed in a disease. But, as I mentioned earlier, we don't know exactly what they are. A molecular mass of 180 could be either the glucose, galactose or fructose. They all have the exact same mass but different functions in our body. Our AI algorithm considered all these ambiguities. It then mined that meganetwork to find how those metabolic masses are connected to each other that result in disease. And because of the way they are connected, then we are able to infer what each metabolite mass is, like that 180 could be glucose here, and, more importantly, to discover how changes in glucose and other metabolites lead to a disease. This novel understanding of disease mechanisms then enable us to discover effective therapeutics to target that. So we formed a start-up company to bring this technology to the market and impact people's lives. Now my team and I at ReviveMed are working to discover therapeutics for major diseases that metabolites are key drivers for, like fatty liver disease, because it is caused by accumulation of fats, which are types of metabolites in the liver. As I mentioned earlier, it's a huge epidemic with no treatment. And fatty liver disease is just one example. Moving forward, we are going to tackle hundreds of other diseases with no treatment. And by collecting more and more data about metabolites and understanding how changes in metabolites leads to developing diseases, our algorithms will get smarter and smarter to discover the right therapeutics for the right patients. And we will get closer to reach our vision of saving lives with every line of code. Thank you. (Applause)