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.
En 2003, lorsqu'on a séquencé le génome humain, on pensait trouver les traitements de beaucoup de maladies. Mais on était loin de la vérité parce qu'en plus de nos gènes, notre environnement et façon de vivre peuvent jouer un rôle important dans le développement de beaucoup de maladies graves
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.
L'un des exemples est la stéatose hépatique, qui affecte plus de 20 % de la population mondiale, elle n'a pas de traitement et entraîne le cancer du foie ou l'insuffisance hépatique. Donc le séquençage de l'ADN seul ne nous donne pas assez d'informations pour trouver des thérapeutiques efficaces
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.
Du bon côté des choses, il y a beaucoup d'autres molécules dans notre corps. En fait, il y a plus de 100 000 métabolites. Les métabolites sont des molécules de taille extrêmement petite. Les exemples connus sont le glucose, le fructose, les lipides, le cholestérol - des termes très familiers. Les métabolites sont impliqués dans notre métabolisme. Ils sont situés en aval de l'ADN, et transmettent des informations sur nos gènes ainsi que notre style de vie. Comprendre les métabolites est essentiel pour le traitement de nombre de maladies.
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.
J'ai toujours voulu soigner des patients. Malgré cela, il y a 15 ans de cela, j'ai abandonné l’école de médecine, vu que j'ai raté les mathématiques. Peu après, j'ai fait la plus cool des découvertes : je pouvais étudier la médecine à l'aide des maths. Dès lors, j'ai développé des algorithmes pour analyser des données biologiques. Cela semblait donc facile : collecter des données de tous les métabolites de notre corps, développer des modèles mathématiques pour décrire leur changement dans une maladie et y intervenir afin de traiter ces maladies.
Then I realized why no one has done this before: it's extremely difficult.
C'est là que j'ai compris pourquoi cela n'a jamais été fait avant : c'est extrêmement difficile.
(Laughter)
(Rires)
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.
Il y a beaucoup de métabolites dans notre corps. Ils sont différents les uns des autres. On peut mesurer la masse moléculaire de certains métabolites en se servant d'instruments de spectrométrie de masse. Mais parce qu'il pourrait y avoir 10 molécules avec la même masse, on ne peut pas les différencier, et si vous voulez les identifier tous clairement, il faut faire plus d’expériences, pouvant prendre des décennies et coûtant des milliards de 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.
On a donc développé une plateforme d'IA ou d'intelligence artificielle pour cela. On a exploité la croissance des données biologiques et construit une base de données de toutes les informations sur les métabolites et leurs interactions avec d'autres molécules. On a combiné toutes ces données comme un méga réseau. Ensuite, à partir des tissus ou du sang de patients, nous mesurons la masse des métabolites et trouvons les masses qui sont changées dans une maladie. Mais, comme je l'ai dit plus tôt, on ne peut les différencier. Une masse moléculaire de 180 pourrait être du glucose, du galactose ou du fructose. Ils ont tous exactement la même masse mais différentes fonctions dans le corps. Notre algorithme d'IA a considéré toutes ces ambiguïtés Il a ensuite exploité ce méga réseau pour trouver comment ces masses métaboliques sont connectées entre elles et aboutissent à une maladie. Et grâce au type de connexion, on est en mesure de déduire la masse de chaque métabolite, par exemple, ce 180 peut être du glucose ici, et le plus important, de découvrir comment les changements dans le glucose et d'autres métabolites conduisent à une maladie. Cette compréhension novatrice des mécanismes de maladie nous a alors permis de découvrir des traitements efficaces pour y faire face.
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.
On a fondé une start-up pour amener cette technologie sur le marché et impacter des vies. Maintenant mon équipe et moi à ReviveMed cherchons à découvrir des traitements pour des maladies graves dont les métabolites sont la source, telle la stéatose hépatique, parce qu'elle est causée par l'accumulation de graisses, qui sont des types de métabolites dans le foie. Comme je le disais plus tôt, c'est un grave fléau qui n'a aucun traitement.
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.
Et la stéatose hépatique n'est qu'un exemple. À l'avenir, nous allons nous attaquer à des centaines d'autres maladies sans traitement. Et en collectant de plus en plus de données sur les métabolites et en comprenant comment les changements dans les métabolites conduisent au développement de maladies, nos algorithmes deviendront de plus en plus intelligents pour découvrir les traitements qui conviennent selon le patient. Et nous serons plus près d'atteindre notre vision qui est de sauver des vies avec chaque ligne de code.
Thank you.
Merci.
(Applause)
(Applaudissements)