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.
ב 2003, כאשר ריצפנו את הגנום האנושי, חשבנו שתימצא לנו התשובה לטיפול במחלות רבות. אבל המציאות רחוקה מכך, כי בנוסף לגנים שלנו, לסביבה ולאורח החיים שלנו יכולים להיות תפקיד משמעותי בפיתוח מחלות חמורות רבות.
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.
דוגמה אחת היא מחלת הכבד השומני, שמשפיעה על למעלה מ-20 אחוז מאוכלוסיית העולם, ואין לה טיפול והיא מובילה לסרטן הכבד או לאי ספיקת כבד. אז ריצוף DNA לבד לא נותן לנו מספיק מידע כדי למצוא תרופות אפקטיביות.
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.
בצד החיובי, ישנן מולקולות רבות אחרות בגופנו. למעשה, יש מעל 100,000 מטבוליטים. מטבוליטים הם כל המולקולות הסופר קטנות בגודלן. דוגמאות ידועות הן גלוקוז, פרוקטוז, שומנים, כולסטרול -- דברים שאנחנו שומעים כל הזמן. מטבוליטים מעורבים בחילוף החומרים שלנו. הם גם במורד הזרם של ה-DNA, כך שהם נושאים מידע הן מהגנים שלנו והן מאורח החיים. הבנת מטבוליטים חיונית למציאת תרופות למחלות רבות.
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.
תמיד רציתי לטפל בחולים. למרות זאת, לפני 15 שנה, עזבתי את בית הספר לרפואה, כי התגעגעתי למתמטיקה. זמן קצר לאחר מכן, מצאתי את הדבר הכי מגניב: אני יכולה להשתמש במתמטיקה כדי ללמוד רפואה. מאז, אני מפתחת אלגוריתמים לניתוח נתונים ביולוגיים. אז זה נשמע קל: בואו ונאסוף נתונים מכל המטבוליטים בגופנו, נפתח מודלים מתמטיים כדי לתאר כיצד הם משתנים במחלה ולהתערב בשינויים אלה לשם טיפול בהם.
Then I realized why no one has done this before: it's extremely difficult.
ואז הבנתי למה אף אחד לא עשה את זה בעבר: זה קשה ביותר.
(Laughter)
(צחוק)
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.
ישנם מטבוליטים רבים בגופנו. כל אחד שונה מהאחר. במטבוליטים מסוימים, אנחנו יכולים למדוד את המסה המולקולרית שלהם באמצעות מכשירי ספקטרומטריית מסה. אבל בגלל שיכולות להיות, כ 10 מולקולות עם אותה מסה בדיוק, אנחנו לא יודעים בדיוק מה הן, ואם רוצים לזהות את כולם בבירור, צריך לעשות עוד ניסויים, מה שיכול לקחת עשרות שנים ומיליארדי דולרים.
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.
אז פיתחנו בינה מלאכותית, או פלטפורמת ב“מ, כדי לעשות זאת. מינפנו את הצמיחה של נתונים ביולוגיים ובנינו מסד נתונים של כל המידע הקיים על מטבוליטים והאינטראקציות שלהם עם מולקולות אחרות. שילבנו את כל הנתונים האלה כמגה-רשת. ואז, מרקמות או דם של חולים, אנו מודדים מסות של מטבוליטים ומוצאים את המסות שמשתנות במחלות אבל, כפי שציינתי קודם, אנחנו לא יודעים בדיוק מה הן. מסה מולקולרית של 180 יכולה להיות גלוקוז, גלקטוז או פרוקטוז. לכולם יש את אותה מסה בדיוק אבל תפקודים שונים בגופנו. אלגוריתם ה-AI שלנו שקל את כל הדו משמעויות הללו. ולאחר מכן הוא כרה את המגה-רשת הזו כדי למצוא איך המסות המטבוליות האלו מחוברות זו לזו מה שגורם למחלה. ובעזרת האופן שבו הן מחוברות, נוכל להסיק מהי כל מסת מטבוליט, כמו למשל ש 180 כאן יכולות להיות גלוקוז, וחשוב מכך, לגלות כיצד שינויים בגלוקוז ובמטבוליטים אחרים מוליכים למחלה. ההבנה החדשנית הזו של מנגנוני מחלה מאפשרת לנו לגלות טיפולים יעילים כדי להתמקד בהם.
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.
אז הקמנו חברת סטארט-אפ כדי להביא את הטכנולוגיה הזו לשוק ולהשפיע על חייהם של אנשים. כעת הצוות שלי ואני ב- ReviveMed עובדים לגלות תרופות לטיפול במחלות קשות שעבורן מטבוליטים הם גורמי מפתח, כמו מחלת כבד שומני, כי היא נגרמת על ידי הצטברות שומנים, שהם סוגים של מטבוליטים בכבד. כפי שציינתי קודם, זו מגיפה ענקית שאין לה טיפול.
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.
ומחלת כבד שומני היא רק דוגמה אחת. כדי להתקדם, אנחנו עומדים להתמודד עם מאות מחלות אחרות שאין להן טיפול. ועל ידי איסוף עוד ועוד נתונים על מטבוליטים והבנת האופן בו שינויים במטבוליטים מובילים להתפתחות מחלות, האלגוריתמים שלנו ייעשו יותר ויותר חכמים כדי לגלות את התרופות הנכונות למטופלים הנכונים. ואנחנו נתקרב יותר להגיע לחזון שלנו של הצלת חיים עם כל שורה של קוד.
Thank you.
תודה.
(Applause)
(מחיאות כפיים)