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.
در سال ۲۰۰۳، وقتی ما ژنوم انسان را در توالی ترتیب قرار دادیم، فکر میکردیم جواب درمان بسیاری از بیماریها را داریم اما واقعیت بسیار با آن فاصله دارد، چون علاوه بر ژنهایمان، محیط زیست و سبک زندگیمان میتواند نقش چشمگیری در توسعهی خیلی از بیماریهای مهم داشته باشد.
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.
یک مثال از آن بیماری کبد چرب است، که روی ۲۰ درصد از جمعیت جهانی تاثیر گذاشته است، و درمانی ندارد و باعث سرطان کبد یا نارسایی کبد میشود. بنابراین توالی DNA به تنهایی اطلاعات کافی به ما نمیدهد تا درمان موثری پیدا کنیم.
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.
نکتهی مثبت اینجاست که مولکولهای بسیاری در بدن ما وجود دارد. در حقیقت بیش از ۱۰۰,۰۰۰ متابولیت وجود دارد. متابولیت هر مولکولی است که اندازه آن فوقالعاده کوچک است. مثالهای شناخته شده گلوکز، فراکتوز، چربی ها، کلسترول و .. هستند چیزهایی که همیشه میشنویم. متابولیتها در متابولیسم ما نقش دارند. آنها همچنین در پایین دست DNA قرار دارند، بنابراین حاوی اطلاعاتی از ژنها همینطور سبک زندگی ما هستند. فهمیدن متابولیتها برای پیدا کردن درمان بسیاری از بیماریها ضروری است.
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.
من همیشه میخواستم بیماران را درمان کنم. علی رغم آن، ۱۵ سال قبل، دانشکده پزشکی را ترک کردم، چون ریاضیات را از دست داده بودم. خیلی زود بعد از آن، جالبترین چیز را فهمیدم: من میتوانم از ریاضی برای مطالعهی پزشکی استفاده کنم. از آن به بعد، در حال توسعهی الگوریتمهایی برای تحلیل دادههای بیولوژیکی بودم. خب، به نظر آسان میرسید: بیایید دادههایی از تمام متابولیتهای بدنمان را جمعآوری کنیم، مدلهای ریاضی برای توصیف اینکه آنها چگونه در یک بیماری تغییر میکنند توسعه دهیم و در آن تغییرات مداخله کنیم تا آنها را درمان کنیم.
Then I realized why no one has done this before: it's extremely difficult.
آنوقت بود تشخیص دادم چرا قبلا هیچکس آن را انجام نداده است: چون این کار بسیار سخت است.
(Laughter)
(خنده)
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.
متابولیتهای بسیار زیادی در بدن ما هست. هر کدام از دیگری تفاوت دارد. برای بعضی از متابولیتها، میتوانیم حجم مولکولیشان را با استفاده از ابزار طیفسنجی حجمی اندازه بگیریم. اما چون ممکن بود مثلا ۱۰ مولکول با حجم دقیقا یکسان وجود داشته باشد، دقیقا نمیدانیم آنها چه هستند، و اگر میخواهید بطور واضح همهی آنها را تشحیص دهید، مجبورید آزمایشهای بیشتری انجام دهید، که ممکن است دههها طول بکشد و میلیاردها دلار هزینه داشته باشد.
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.
بنابراین ما یک بستر هوش مصنوعی برای انجام آن توسعه دادیم. ما رشد دادههای بیولوژیکی را تقویت کردیم و پایگاه دادهای از تمام اطلاعات موجود دربارهی متابولیتها و تعاملات آنها با دیگر مولکولها ساختیم. ما تمام این دادهها را به عنوان ابرشبکهای ترکیب کردیم. سپس از بافت یا خون بیماران، حجم متابولیتها را اندازه میگیریم و حجمهایی را پیدا میکنیم که در طول یک بیماری تغییر میکنند. اما همانطور که قبلا گفتم نمیدانیم آنها چه هستند. حجم مولکولی ۱۸۰ میتواند گلوکز، گلاکتوز یا فراکتوز باشد. همهی آنها حجم یکسانی دارند اما نقشهای متفاوتی در بدن ما دارند. الگوریتم هوش مصنوعی ما تمام این ابهامات را در نظر گرفته است. سپس آن ابر شبکه را استخراج کرد تا بفهمد آن حجمهای متابولیک چگونه به یکدیگر مرتبط هستند که باعث بیماری میگردند. و به خاطر روشی که به هم مرتبط هستند، سپس میتوانیم استنباط کنیم که هر حجم متابولیت چه چیزی هست، مثل آن ۱۸۰ میتواند در اینجا گلوکز باشد، و مهمتر، کشف کردن اینکه چگونه تغییر در گلوکز و دیگر متابولیتها باعث بیماری میشود. این درک جدید از مکانیسمهای بیماری سپس ما را قادر می سازد تا درمان موثری برای هدف قرار دادن آن کشف کنیم.
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.
بنابراین شرکت استارتآپی تشکیل دادیم تا این تکنولوژی را به بازار بیاوریم و روی زندگی مردم تاثیر بگذاریم. اکنون من و تیمم در ReviveMed در حال کار کردن برای کشف درمانی برای عمده بیماریهایی هستیم که در آنها متابولیتها محرکهای اصلی هستند، مثلا بیماری کبد چرب، چون به واسطه تجمع چربیها ایجاد شده است، که انواعی از متابولیتها در کبد هستند. همانطور که قبلا گفتم، این بیماری همه گیر و بدون درمان است.
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.
و بیماری کبد چرب تنها یک مثال است. در حرکت به جلو، ما قصد داریم با صدها بیماری بدون درمان دیگر نیز مقابله کنیم و با جمعآوری دادههای بیشتر و بیشتر در مورد متابولیتها و فهمیدن اینکه چگونه تغییرات در متابولیتها باعث گسترش بیماریها میشود، الگوریتمهای ما باهوشتر و باهوشتر میشوند تا درمان درست برای بیماران درست را انجام دهند. و ما به چشمانداز خودمان نزدیکتر خواهیم شد با نجات جانها با هر خط کدی که دارند.
Thank you.
متشکرم.
(Applause)
(تشویق)