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.
2003-ban, amikor szekvenáltuk az emberi genomot, azt gondoltuk, hogy megkapjuk a választ számos betegség kezelésére, de a valóság távol áll ettől, mert a génjeink mellett környezetünk és életmódunk is jelentős szerepet játszik a főbb betegségek kialakulásában.
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.
Az egyik példa a zsírmáj, ami a világ népességének több mint 20 százalékát érinti, nincs gyógymódja, és májrákhoz vagy májelégtelenséghez vezet. Tehát csak a DNS szekvenálása nem ad elegendő információt ahhoz, hogy hatékony terápiákat találjunk.
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.
A jó hír, hogy sok más molekula is, valójában több mint 100 000 metabolit található a testünkben. A metabolitok rendkívül kis méretű molekulák. Ismert példák a glükóz, a fruktóz, a zsírok, a koleszterin – ezekről állandóan hallunk. A metabolitok részt vesznek az anyagcserénkben. Ezek úgyszintén a DNS gyakorlati megvalósulásai, tehát információkat hordoznak génjeinkről és életmódunkról. A metabolitok megértése sok betegségnél szükséges a gyógymód megtalálásához.
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.
Mindig betegeket akartam kezelni. Ennek ellenére 15 évvel ezelőtt otthagytam az orvosi iskolát, mivel hiányzott a matematika. Nem sokkal ezután rátaláltam a legmenőbb dologra: Tudom használni a matematikát az orvostudomány tanulmányozására. Azóta algoritmusokat fejlesztek biológiai adatok elemzésére. Ez könnyűnek tűnt: gyűjtsünk adatokat a testben levő összes metabolitról, írjuk le matematikai modellekkel, hogyan változnak meg egy betegség során, és avatkozzunk be ezekbe a változásokba, kezeljük őket.
Then I realized why no one has done this before: it's extremely difficult.
Aztán rájöttem, miért nem foglalkozott ezzel még senki: mert rendkívül nehéz.
(Laughter)
(Nevetés)
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.
A szervezetben sok metabolit található. Mindegyik különbözik a másiktól. Egyes metabolitok molekulatömege mérhető tömegspektrometriás eszközökkel. De mivel akár 10 molekulának is lehet pontosan ugyanakkora a tömege, nem tudjuk pontosan, melyek azok, és az egyértelmű beazonosításhoz több kísérlet kéne, ez pedig évtizedeket és dollármilliárdokat venne igénybe.
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.
Tehát kifejlesztettünk rá egy mesterséges intelligenciát. Kihasználtuk a biológiai adatok szüntelen gyarapodását, és felépítettünk egy adatbázist a metabolitokról meglévő információkból, és kölcsönhatásukról más molekulákkal. Egy megahálózatban összesítettük ezeket az adatokat. Ezután a betegek szöveteiből vagy véréből megmérjük a metabolitok tömegét, és megkeressük azokat a tömegeket, amelyek megváltoztak a betegségben. De, ahogy korábban is említettem, nem tudjuk pontosan, melyek azok. A 180-as molekulatömeg lehet glükóz, galaktóz vagy fruktóz is. Mindegyik pontosan egyforma tömegű, de különböző funkciókat látnak el a testünkben. Az MI algoritmusunk figyelembe vette mindezt. Ezután átnézte a megahálózatot, hogy megtudja, ezek a metabolikus tömegek hogyan kapcsolódnak egymáshoz, hogyan vezetnek betegséghez. A kapcsolódásuk módjából képesek vagyunk következtetni arra, mik is ezek a metabolitok, hogy a 180-as tömegű itt glükóz lehet, és ami még fontosabb, hogy felfedezzük, a glükóz és más metabolitok változása hogyan vezet betegséghez. A betegségmechanizmusok ezen újszerű megértése lehetővé teszi, hogy hatékony terápiás gyógyszereket fejlesszünk ki a kezeléshez.
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.
Létrehoztunk egy induló vállalkozást, hogy ezt a technológiát forgalomba hozzuk, és hatással legyünk az emberek életére. Jelenleg csapatommal a ReviveMednél a fő betegségek kezelését fejlesztjük, melynek során a metabolitok kulcsfontosságú szerepet játszanak, mint például a zsírmáj, melyet a zsírok felhalmozódása okoz, amelyek a máj metabolittípusai. Ahogy korábban említettem, ez elterjedt betegség, gyógymód nélkül.
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.
A zsírmáj csak egy példa erre. Ahogy haladunk előre, ma még gyógyíthatatlan betegségek százait fogjuk tudni kezelni. Majd ahogy egyre több metabolitadatot gyűjtünk, és megértjük, hogy a metabolitok változása hogyan vezet betegségek kifejlődéséhez, algoritmusaink egyre okosabbak a betegek számára megfelelő kezelések kifejlesztésében. És egyre közelebb kerülünk ahhoz az elképzelésünkhöz, hogy minden kódsorral életeket mentsünk.
Thank you.
Köszönöm.
(Applause)
(Taps)