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.
Pada tahun 2003, ketika melakukan sekuens genom pada manusia, kami pikir menemukan jawaban untuk mengobati berbagai penyakit itu mudah. Ternyata kenyataannya tidak semudah itu, karena selain gen, lingkungan dan gaya hidup manusia juga memiliki peranan penting yang memengaruhi berbagai penyakit mayor.
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.
Contohnya adalah penyakit hati berlemak, yang memengaruhi 20% populasi global, belum ditemukan pengobatannya dan menjadi penyebab kanker hati atau gagal hati. Sekuens DNA saja belum cukup memberikan informasi untuk mendapatkan terapeutik yang efektif.
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.
Untungnya, ada banyak molekul lain di dalam tubuh, bahkan ada lebih dari 100 ribu metabolit. Metabolit adalah molekul yang berukuran sangat kecil. Contohnya adalah glukosa, fruktosa, lemak, kolesterol -- yang sudah sering kita dengar. Metabolit terbentuk dari metabolisme. Metabolit adalah bagian hilir DNA, yang berfungsi membawa informasi gen dan gaya hidup manusia. Memahami metabolit bermanfaat untuk menemukan pengobatan
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.
berbagai penyakit. Dulu saya bercita-cita menjadi seorang dokter. Tetapi, 15 tahun lalu saya harus meninggalkan sekolah kedokteran, karena tidak lulus pelajaran matematika. Sejak saat itu, saya sadar bahwa matematika bisa digunakan untuk mempelajari obat-obatan. Kemudian, saya mengembangkan algoritma untuk menganalisis data biologi. Kedengarannya mudah. Mengumpulkan data metabolit dari dalam tubuh, mengembangkan model matematika untuk menguraikan perubahan data metabolit di dalam penyakit, lalu mengendalikan perubahan tersebut untuk mengobati penyakit.
Then I realized why no one has done this before: it's extremely difficult.
Kemudian saya sadar belum ada orang yang melakukan ini karena benar-benar sulit.
(Laughter)
(Tertawa)
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.
Metabolit banyak terdapat di dalam tubuh. Setiap metabolit berbeda satu sama lain. Beberapa senyawa metabolit dapat diukur massa molekulernya menggunakan alat spektometri massa. Namun, karena ada 10 molekul dengan massa yang persis sama, molekul yang pasti sulit diketahui dan jika ingin melakukan identifikasi, diperlukan pengujian lebih lanjut yang memakan waktu lama dan berharga jutaan dolar.
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.
Sehingga kami membangun Inteligensi Artifisial atau platform AI untuk memaksimalkan perkembangan data biologi serta membangun pangkalan data informasi tentang metabolit dan interaksinya dengan molekul lain. Kami menggabungkan semua data dalam jaringan besar. Kemudian, kami mengambil jaringan atau darah pasien, untuk mengukur massa metabolit dan mencari massa yang berubah di dalam penyakit. Tetapi, kami belum menemukan senyawa molekul yang pasti. Massa molekuler 180 mungkin adalah glukosa, galaktosa, atau fruktosa, yang memiliki massa persis sama tetapi fungsinya berbeda di dalam tubuh. Algoritma AI menjawab semua ambiguitas itu. AI menggali jaringan besar untuk menemukan cara massa metabolit terhubung satu sama lain yang mengakibatkan timbulnya penyakit. Dari cara metabolit terhubung, kami menentukan massa setiap metabolit, misalnya, massa molekuler 180 adalah glukosa dan yang lebih penting kami menemukan bahwa perubahan dalam glukosa dan metabolit lain dapat menyebabkan penyakit. Penemuan baru tentang mekanisme penyakit ini memungkinkan kita untuk menemukan terapeutik efektif sebagai pengobatan.
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.
Lalu, kami mendirikan perusahaan rintisan untuk membawa teknologi ini ke pasar dan menyelamatkan jiwa manusia. Saat ini saya dan tim di ReviveMed bekerja untuk menemukan terapeutik bagi penyakit mayor yang disebabkan oleh metabolit, seperti penyakit hati berlemak, akibat timbunan lemak yang merupakan tipe metabolit di dalam hati. Penyakit ini adalah epidemi besar yang belum ditemukan obatnya.
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.
Penyakit hati berlemak hanya sebuah contoh. Selanjutnya, kami akan menangani ratusan penyakit lain yang belum tertangani. Dengan mengumpulkan lebih banyak data metabolit dan memahami bahwa perubahan di dalam metabolit bisa menjadi penyebab penyakit, algoritma bisa diandalkan untuk menemukan terapeutik yang sesuai untuk pasien yang tepat. Visi kami akan lebih mudah dicapai, yaitu menyelamatkan jiwa manusia menggunakan setiap baris kode.
Thank you.
Terima kasih.
(Applause)
(Tepuk tangan)