V roce 2003, kdy jsme přečetli lidský genom, jsme si mysleli, že máme klíč k léčbě mnoha nemocí. Ale k tomu máme ještě daleko, protože kromě našich genů hraje značnou roli ve vývoji mnoha významných onemocnění i životní prostředí nebo životní styl.
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.
Jedním z příkladů je ztučnění jater, které postihuje přes dvacet procent světové populace, nelze je léčit a vede k rakovině nebo selhání jater. Takže čtení DNA samo o sobě nám nedává dostatek informací k nalezení účinné léčby.
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.
Na druhou stranu máme v těle i spoustu dalších molekul. Ve skutečnosti existuje více než 100 000 metabolitů. Metabolity, to jsou veškeré molekuly, které jsou co do velikosti velmi malé. Známé příklady jsou glukóza, fruktóza, tuky, cholesterol – věci o kterých slyšíme pořád dokola. Metabolity se účastní našeho metabolismu. A jsou také závislé na naší DNA, takže nesou informaci jak o našich genech, tak o našem životním stylu. Musíme porozumět metabolitům, abychom nalezli léčbu mnoha chorob.
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.
Vždycky jsem chtěla léčit pacienty. Přesto jsem před patnácti lety odešla z lékařské fakulty, protože mi chyběla matematika. Brzy potom jsem přišla na tu nejskvělejší věc: Můžu pomocí matematiky studovat medicínu. Od té doby vyvíjím algoritmy k analýze biologických dat. Znělo to jednoduše: posbírat data o všech metabolitech v našem těle, vyvinout matematické modely, které by popsaly, jak se data mění vlivem nemocí, a zasáhnout proti těmto změnám.
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.
Pak jsem přišla na to, proč to nikdo neudělal přede mnou. Je to hrozně obtížné.
Then I realized why no one has done this before: it's extremely difficult.
(smích)
(Laughter)
V našem těle je spousta metabolitů. Každý z nich je jiný. U některých metabolitů můžeme měřit jejich molekulovou hmotnost pomocí hmotnostní spektrometrie. Jenže vzhledem k tomu, že klidně deset různých molekul může mít stejnou hmotnost, nedokážeme je tím přesně rozpoznat. Kdybyste je všechny chtěli rozpoznat, museli byste udělat více experimentů, které by trvaly desítky let a stály by miliardy dolarů.
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.
Takže jsme vyvinuli platformu na bázi umělé inteligence, která to umí. Využili jsme vzrůstající množství biologických dat a vytvořili jsme databázi všech dostupných informací o metabolitech a jejich interakcích s ostatními molekulami. Zkombinovali jsme všechna ta data do obrovské sítě. Potom z tkání a krve pacientů měříme hmotnosti metabolitů a hledáme ty hmotnosti, které se mění u nemocného člověka. Ale jak už jsem řekla, nevíme přesně, které metabolity to jsou. Molekulovou hmotnost 180 může mít glukóza, galaktóza nebo fruktóza. Všechny mají přesně stejnou hmotnost, ale různé funkce v našem těle. Naše umělá inteligence bere v úvahu všechny tyto nejednoznačnosti. Ponoří se do té obrovské databáze a najde, jaké vzájemné provázání látek s naměřenou hmotností způsobuje nemoci. Z toho, jak jsou provázány, můžeme odvodit, co ta látka se shodnou hmotností je, například těch 180 by tady mohla být glukóza, a především můžeme zjistit, jak změny v glukóze a dalších metabolitech způsobují onemocnění. Toto nové porozumění mechanismům nemocí nám poté umožní najít efektivní léčbu, která na tyto změny cílí.
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.
A tak jsme založili start-up, abychom přinesli tuto technologii na trh a ovlivnili tak lidské životy. Teď se svým týmem v ReviveMed pracujeme na vývoji léčby nejvýznamnějších nemocí, kde metabolity hrají hlavní roli, jako je ztučnění jater, protože to je způsobeno hromaděním tuků, což jsou metabolity v játrech. Jak už jsem zmínila, jedná se o obrovskou epidemii, na kterou není lék.
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.
A ztučnění jater je jenom jeden z příkladů. Děláme pokroky a hodláme se zabývat stovkami dalších nemocí, na které není lék. Sbíráním dalších a dalších dat o metabolitech a porozuměním, jak změny v metabolitech vedou k rozvoji nemocí, budou naše algoritmy lépe a lépe umět hledat ty správné léky pro ty správné pacienty. A dostaneme se blíž k našemu cíli záchraně životů každou řádkou počítačového kódu.
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.
Děkuji vám.
Thank you.
(potlesk)
(Applause)