Το 2003, όταν ταξινομήσαμε τον ανθρώπινο γενετικό κώδικα, πιστεύαμε ότι θα είχαμε τη λύση για να θεραπεύσουμε αρκετές αρρώστιες. Αλλά η πραγματικότητα διαφέρει πολύ, διότι εκτός των γονιδίων μας, το περιβάλλον μας και ο τρόπος ζωής μας θα μπορούσαν να έχουν σημαντικό ρόλο στην ανάπτυξη μεγάλων ασθενειών. Ένα παράδειγμα είναι η λιπώδης νόσος του ήπατος, η οποία επηρεάζει πάνω από το 20% του παγκόσμιου πληθυσμού, δεν υπάρχει καμία θεραπεία και οδηγεί στον καρκίνο του ήπατος ή σε ηπατική ανεπάρκεια. Έτσι, μόνο η ταξινόμηση του DNA δεν μας δίνει αρκετές πληροφορίες ώστε να βρούμε αποτελεσματικές θεραπευτικές. Από τη θετική πλευρά, υπάρχουν πολλά άλλα μόρια στο σώμα μας. Στην πραγματικότητα, υπάρχουν πάνω από 100.000 μεταβολίτες. Οι μεταβολίτες είναι κάθε μόριο που είναι πολύ μικρό σε μέγεθος. Γνωστά παραδείγματα είναι η γλυκόζη, η φρουκτόζη, τα λιπαρά, η χολιστερίνη-- πράγματα που ακούμε συνέχεια. Οι μεταβολίτες σχετίζονται με τον μεταβολισμό μας. Είναι, επίσης, στα κατάντη του DNA, επομένως, μεταφέρουν πληροφορίες από τα γονίδια, αλλά και από τον τρόπο ζωής. Η κατανόηση των μεταβολιτών είναι σημαντκή στο να βρούμε θεραπείες σε ασθένειες. Πάντα ήθελα να φροντίζω ασθενείς. Παρ' όλα αυτά, πριν 15 χρόνια, παράτησα τη σχολή ιατρικής, καθώς μου έλειπαν τα μαθηματικά. Αμέσως μετά, βρήκα το πιο κουλ πράγμα: Μπορώ να χρησιμοποιήσω μαθηματικά για να σπουδάσω ιατρική. Από τότε, αναπτύσσω αλγορίθμους για την ανάλυση βιολογικών δεδομένων. Λοιπόν, ακουγόταν εύκολο: ας συλλέξουμε δεδομένα απο όλους τους μεταβολίτες στο σώμα μας, ας αναπτύξουμε μαθηματικά μοντέλα να περιγράψουμε π'ως αλλάζουν σε μια σθένεια και ας παρέμβουμε σ' αυτές τις αλλαγές ώστε να τις γιατρέψουμε. Τότε συνειδητοποίησα γιατί δεν το είχε κάνει κανείς νωρίτερα: είναι υπερβολικά δύσκολο. (Γέλια) Υπάρχουν πολλοί μεταβολίτες στο σώμα μας. Καθένας είναι διαφορετικός από τους άλλους. Για κάποιους μεταβολίτες, μπορούμε να μετρήσουμε τη μοριακή τους μάζα χρησιμοποιώντας εργαλεία φασματομέτρησης μάζας. Όμως, επειδή μπορούν να υπάρχουν 10 μόρια με την ίδια ακριβώς μάζα, δεν ξέρουμε ακριβώς τι είναι και αν θέλει κανείς να τα αναγνωρίσει όλα, πρέπει να κάνει πειράματα, τα οποία μπορεί να χρειαστούν δεκαετίες και δισεκατομμύρια δολάρια. Έτσι λοιπόν, αναπτύξαμε μια πλατφόρμα τεχνητής νοημοσύνης για να το κάνει αυτό. Αξιοποήσαμε την αύξηση των βιολογικών δεδομένων και φτιάξαμε μια βάση δεδομένων με κάθε πληροφορία μεταβολιτών που υπήρχε και τις αλληλεπιδράσεις τους με τα άλλα μόρια. Συνδυάσαμε όλα αυτά τα δεδομένα σαν ένα τεράστιο δίκτυο. Έπειτα, από ιστούς ή αίμα ασθενών, μετράμε τις μάζες των μεταβολιτών και βρίσκουμε τις μάζες που αλλάζουν σε μια ασθένεια. Αλλά, όπως ανέφερα προηγουμένως, δεν γνωρίζουμε ακριβώς τι είναι. Μια μοριακή μάζα 180 μπορεί να είναι είτε γλυκόζη, είτε γαλακτόζη, είτε φρουκτόζη. Όλες έχουν την ίδια ακριβώς μάζα, αλλά διαφορετικές λειτουργίες στο σώμα μας. Ο αλγόριθμος τεχνιτής νοημοσύνης μας, έχει λάβει υπόψιν αυτές τις ασάφειες. Έπειτα, έκανε εξόρυξη στο τεράστιο αυτό δίκτυο ώστε να βρει, πως αυτές οι μεταβολικές μάζες συνδέονται μεταξύ τους που οδηγούν σε ασθένειες. Και λόγω του τρόπου που συνδέονται, μπορούμε, μετά, να συμπεράνουμε, τι είναι κάθε μεταβολική μάζα, όπως αυτή η 180, μπορεί να είναι γλυκόζη εδώ, και, κυρίως, να ανακαλύψουμε πως οι αλλαγές στη γλυκόζη και άλλους μεταβολίτες μπορούν να οδηγούν σε ασθένεια. Αυτή η καινοτόμα κατανόηση των μηχανισμών ασθενειών μας επιτρέπει να ανακαλύψουμε στοχευμένες αποτελεσματικές θεραπευτικές. Έτσι ιδρύσαμε μια start-up για να φέρουμε αυτή την τεχνολογία στην αγορά και να επηρεάσουμε τις ζωές ανθρώπων. Τώρα η ομάδα μου και εγώ στο ReviveMed δουλεύουμε για να ανακαλύψουμε θεραπείες για σοβαρές ασθένειες όπου οι μεταβολίτες είναι το κλειδί, όπως η λιπώδης νόσος του ήπατος, διότι προκαλείται από τη συσσώρευση λιπαρών οι οποίοι είναι τύποι μεταβολιτών στο ήπαρ. Όπως ανέφερα προηγουμένως, είναι μια τεράστια επιδημία χωρίς θεραπεία. Και η λιπώδης νόσος του ήπατος είναι απλώς ένα παράδειγμα. Προχωρώντας, θα αντιμετωπίσουμε εκατοντάδες άλλες νόσους χωρίς θεραπεία. Και συλλέγοντας όλο και περισσότερα δεδομένα για τους μεταβολίτες και κατανοώντας πώς οι αλλαγές στους μεταβολίτες οδηγούν στην ανάπτυξη ασθενειών, οι αλγόριθμοι μας θα γίνουν όλο και πιο έξυπνοι στο να ανακαλύπτουν τις σωστές θεραπείες για τους κατάλληλους ασθενείς. Και θα πλησιάσουμε το όραμά μας να σώσουμε ζωές με κάθε γραμμή κώδικα. Σας ευχαριστώ. (Χειροκρότημα)
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)