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.
В 2003 году, когда было выполнено секвенирование генома человека, все думали, что это поможет найти способы лечения многих заболеваний. Но на самом деле всё далеко не так, потому что не только наши гены, но и окружающая среда и наш образ жизни значительно влияют на развитие многих серьёзных заболеваний.
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.
Один из примеров — стеатоз печени, которым страдает более 20 процентов населения земного шара. Он неизлечим и прогрессирует, приводя к раку печени или печёночной недостаточности. Поэтому секвенирование ДНК само по себе не даёт нам достаточно информации, чтобы найти эффективный курс лечения.
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.
С другой стороны, в нашем организме много других молекул. В нём более 100 000 метаболитов. Метаболиты — это очень мелкие молекулы. Хорошо знакомые нам метаболиты — это глюкоза, фруктоза, жиры, холестерин; мы слышим о них постоянно. Метаболиты участвуют в процессе обмена веществ. Кроме этого, они находятся по нисходящей от ДНК, то есть несут информацию как о генах, так и о нашем образе жизни. Метаболиты критически важны для нахождения способов лечения многих заболеваний.
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.
Я всегда хотела лечить людей. Но несмотря на это, 15 лет назад я бросила медицинский университет, потому что мне не хватало математики. Вскоре после этого я с удивлением узнала, что могу использовать математику для изучения медицины. С тех пор я разрабатываю алгоритмы анализа биологических данных. Казалось бы, это так просто: нужно просто собрать данные всех метаболитов в организме, разработать математические модели, описывающие их изменения при болезни, и противостоять этим изменениям в ходе лечения.
Then I realized why no one has done this before: it's extremely difficult.
А потом я поняла, почему никто не сделал этого до нас. Это очень сложно.
(Laughter)
(Смех)
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.
В нашем организме очень много метаболитов. И все они очень разные. Молекулярную массу некоторых метаболитов можно измерить с помощью масс-спектрометрических инструментов. Но так как возможно такое, что у нас будет 10 молекул с одинаковой массой, мы не будем знать, какие именно это молекулы. И если мы хотим точно опознать их, нужны дополнительные эксперименты, на которые могут уйти десятилетия и миллиарды долларов.
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.
Поэтому мы разработали для этого искусственный интеллект, или ИИ. Мы воспользовались ростом биологических данных и создали базу данных всей существующей информации о метаболитах и их взаимодействиях с другими молекулами. Мы объединили все эти данные, создав мегасеть. Теперь, используя ткани и кровь пациентов, мы измеряем массу метаболитов и находим те, которые изменяются в ходе заболевания. Но, как я уже говорила, мы не знаем, какие именно это метаболиты. Глюкоза, галактоза и фруктоза имеют молекулярную массу 180. У них совершенно одинаковая масса, но они выполняют разные функции в организме. Наш алгоритм ИИ учёл все эти неопределённости. Затем он прошёл по этой мегасети в поисках таких связей масс метаболитов друг с другом, которые вызывают заболевание. То, как они связаны, позволяет нам определить массу каждого метаболита, например, здесь 180 — это глюкоза, и, что особенно важно, понять, как изменения глюкозы и других метаболитов приводят к заболеваниям. Это новое понимание механизмов заболеваний позволяет нам находить эффективные способы лечения.
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.
Мы создали стартап, чтобы вывести эту технологию на рынок и помогать людям. Я и моя команда в ReviveMed работаем над поиском способов лечения заболеваний, для которых метаболиты являются ключевыми факторами, например, стеатоза печени. Он вызван накоплением в печени жиров, которые представляют собой один из видов метаболитов. Как я уже говорила, это серьёзная эпидемия, и заболевание неизлечимо.
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.
И стеатоз печени — это лишь один пример. В дальнейшем мы планируем работать с сотнями других заболеваний, для которых пока нет лекарств. Собирая всё больше данных о метаболитах и анализируя, как изменения в них приводят к заболеваниям, наши алгоритмы будут становиться умнее и помогут нам находить курсы лечения для конкретных пациентов. Мы приблизимся к нашей цели спасения человеческих жизней с помощью каждой строки кода.
Thank you.
Спасибо.
(Applause)
(Аплодисменты)