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-iais metais, kai iššifravome žmogaus genomo seką, galvojome, jog radome atsakymą, kaip išgydyti daug ligų. Tačiau tai toli gražu ne tikrovė. Be mūsų genų, didelę reikšmę daugumos ligų vystymuisi gali turėti aplinka ir gyvenimo būdas.
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.
Pavyzdžiui, kepenų suriebėjimas, tai liga, kuri kankina 20 procentų žmonių populiacijos globaliai. Ši liga nepagydoma ir sukelia kepenų vėžį arba kepenų nepakankamumą. Taigi, vien genomo sekos iššifravimas mums nesuteikia pakankamai informacijos rasti veiksmingą ligos gydymą.
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.
Iš kitos pusės, savo kūne turime daugybę kitų molekulių. Išties, mūsų kūnuose yra daugiau nei 100 000 metabolitų. Metabolitai – tai bet kokios labai mažos molekulės. Gerai žinomi pavyzdžiai yra gliukozė, fruktozė, riebalai, cholesterolis – dalykai, apie kuriuos nuolat girdime. Metabolitai dalyvauja mūsų medžiagų apykaitoje. Jie turi informaciją, susijusią tiek su mūsų genais, tiek su mūsų gyvenimo būdu. Metabolitus suvokti labai svarbu, norint surasti įvairių ligų gydymą.
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.
Aš visuomet norėjau gydyti pacientus. Nepaisant to, prieš 15 metų mečiau medicinos mokslus, kadangi pasiilgau matematikos. Greitai atradau nuostabiausią dalyką: aš galiu naudoti matematiką mokytis medicinos. Nuo tada aš kuriu algoritmus analizuoti biologinius duomenis. Tai atrodė paprastai: surinkime duomenis iš visų metabolitų, esančių mūsų kūnuose, sukurkime matematinius modelius, kaip metabolitai kinta susirgus, ir tuomet sutrukdykime tiems pokyčiams, jog išgydytume ligą.
Then I realized why no one has done this before: it's extremely difficult.
Tuomet supratau, kodėl niekas anksčiau to nedarė: tai nepaprastai sudėtinga.
(Laughter)
(Juokas)
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.
Mūsų kūnuose yra daugybė metabolitų. Jie skiriasi vienas nuo kito. Mes galime pamatuoti kai kurių metabolitų molekulinę masę, naudojant masių spektometrijos prietaisus. Bet net 10 molekulių gali turėti tokią pačią masę, todėl mes tiksliai nežinome, kas jie yra. Norint tiksliai juos identifikuoti, turime daryti daugiau bandymų, kurie gali užtrukti dešimtmečius ir kainuoti milijardus dolerių.
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.
Taigi mes sukūrėme dirbtinio intelekto (DI) platformą, galinčią tai padaryti. Mes pasinaudojome biologinių duomenų augimu ir sukūrėme duombazę, turinčią visą dabartinę informaciją apie metabolitus ir jų sąveiką su kitomis molekulėmis. Šią informaciją mes sujungėme į didžiulį tinklą. Tuomet iš paciento audinių ar kraujo mes matuojame metabolitų masę ir randame tuos metabolitus, kurie dėl ligos yra pasikeitę. Kaip minėjau anksčiau, mes nežinome, kas jie yra. 180 molekulinį svorį gali sverti gliukozė, galaktozė ir fruktozė. Jie visi sveria tiek pat, tik mūsų kūnuose atlieka skirtingas funkcijas. Mūsų DI algoritmas apsvarsto visus šiuos neaiškumus. Tuomet jis atrado tinklą, kuris padėjo sužinoti kaip šios masės yra susijusios viena su kita, sukeliant ligą. Dėl šių sąsajų mes gebame atlikti išvadą, kas iš tiesų yra kiekviena metabolito masė. Tas 180 čia gali būti gliukozė. Svarbiausia, dėl to mes galime atrasti kaip pokyčiai gliukozėje ir kituose metabolituose priveda iki ligos. Šis naujas ligos mechanizmų suvokimas leidžia mums atrasti veiksmingą gydymą šioms ligoms.
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.
Taigi, mes įkūrėme startuolį, kad pristatytume rinkai šias technologijas ir pagerintume žmonių gyvenimus. Mano komanda „ReviveMed“ ir aš dirbame, jog atrastumėme gydymą ligoms, kurių atsiradimui svarbiausią įtaką daro metabolitai, pavyzdžiui, kepenų nepakankamumui. Ši liga yra atsiranda susikaupus riebalams, t. y. tam tikras metabolitų tipas, esantis kepenyse. Kaip minėjau, tai didelė epidemija, kuri nėra pagydoma.
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.
Ir tai tik vienas pavyzdys. Judėdami pirmyn mes apimsime šimtus įvairių ligų, kurios neturi jokio gydymo. Renkant vis daugiau ir daugiau informacijos apie metabolitus ir suprantant, kaip jų pokyčiai veda prie ligų vystymosi, mūsų algoritmai tobulės ir atras tinkamą gydymą pacientams. Mes einame vis arčiau savo tikslo link – išsaugoti gyvybes su kiekviena kodo eilute.
Thank you.
Ačiū.
(Applause)
(Plojimai)