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.
În 2003, când am secvențiat genomul uman, am crezut că am găsit o soluție pentru tratarea multor boli. Dar, suntem departe de realitate, pentru că în afară de genele noastre, mediul și stilul nostru de viață ar putea avea un rol important în dezvoltarea multor boli importante.
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.
Un bun exemplu este boala ficatului gras care afectează peste 20 la sută din populație la nivel global, și nu se vindecă, cauzând cancer hepatic sau insuficiență hepatică. Deci, doar secvențierea ADN-ului nu ne dă informații suficiente pentru a găsi soluții terapeutice eficiente.
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.
Pe de altă parte, există multe alte molecule în corpul nostru. De fapt, avem peste 100.000 de metaboliți. Metaboliții sunt toate moleculele de dimensiuni foarte mici. Exemplele cele mai cunoscute sunt glucoza, fructoza, grăsimea, colesterolul, lucruri despre care se vorbește mereu. Metaboliții sunt implicați în metabolismul nostru. Aceștia sunt și succesorii ADN-ului, deci, transportă informații despre gene, cât și despre stilul de viață. Cunoașterea metaboliților este esențială pentru tratamentul multor boli.
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.
Dintotdeauna mi-am dorit să vindec pacienți. În ciuda acestui fapt, acum 15 ani am abandonat medicina pentru că am căzut la matematică. Imediat după aceea, am descoperit un lucru foarte interesant: că pot folosi matematica ca să studiez medicina. De atunci, elaborez algoritmi pentru a analiza datele biologice. Deci, părea ușor: hai să culegem date despre toți metaboliții din corpul nostru, să creăm modele matematice ca să descriem modificările lor în timpul unei boli și să intervenim pe aceste schimbări pentru a le trata.
Then I realized why no one has done this before: it's extremely difficult.
Atunci, mi-am dat seama de ce nimeni nu a făcut așa ceva înainte: este foarte dificil.
(Laughter)
(Râsete)
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.
Avem mulți metaboliți în corp. Sunt diferiți unul de celălalt. Anumitor metaboliți le putem măsura masa moleculară folosind instrumente de spectometrie de masă. Dar, fiindcă am putea găsi 10 molecule cu aceeași masă, nu știm exact ce sunt și dacă vrei să le identifici în mod sigur, trebuie să faci alte experimente, care ar putea dura decenii și costa miliarde de dolari.
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.
Astfel, am creat o platformă de inteligență artificială, sau IA, pentru realizarea acestuia. Ne-am folosit de dezvoltarea datelor biologice și am construit o bază de date cu toate informațiile existente despre metaboliți și interacțiunile lor cu ceilalți metaboliți. Am adunat toate aceste date într-o mega rețea. După aceea, din țesutul sau din sângele pacienților, măsurăm masa metaboliților și căutăm masele care se schimbă în timpul unei boli. Dar, cum spuneam mai devreme, nu știm exact ce sunt. O masă moleculară de 180 ar putea fi glucoză, galactoză sau fructoză. Toate acestea au exact aceeași masă, dar funcții diferite în corpul nostru. Algoritmul nostru IA a calculat toate aceste ambiguități. S-a folosit această mega rețea pentru a descoperi cum relaționează între ele aceste mase metabolice, cauzând o boală. Iar după modul în care acestea se intrepătrund, reușim să deducem care este masa fiecărui metabolit, cum ar fi cea de 180 a glucozei de față, și, cel mai important, să descoperim cum schimbările în glucoză și în alți metaboliți conduc spre boală. Această nouă perspectivă despre mecanismele bolii ne permite să descoperim noi terapii eficace în acest scop.
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.
Deci, am înființat o nouă companie pentru a aduce această tehnologie pe piață și pentru a schimba viața oamenilor. Eu și echipa mea de la Revive Med lucrăm pentru a descoperi terapii pentru boli importante unde metaboliții sunt factorul determinant, cum e boala ficatului gras, pentru că este cauzată de acumularea grăsimilor, care fac parte din categoria metaboliților din ficat. Cum am menționat mai înainte, această boală e foarte răspândită
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.
și nu are tratament. Și boala ficatului gras este numai un exemplu. În viitor vom combate sute de alte boli ce nu au în prezent tratament. Și adunând tot mai multe date despre metaboliți și înțelegând cum schimbările metaboliților conduc la dezvoltarea bolilor, algoritmii noștri vor deveni tot mai inteligenți și vor descoperi terapiile potrivite pentru pacienții potriviți. Și ne vom apropia tot mai mult de realizarea dorinței noastre de a salva vieți cu fiecare linie de cod.
Thank you.
Vă mulțumesc!
(Applause)
(Aplauze)