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 yılında, insan genomunu düzenlediğimizde birçok hastalığın tedavisini bulacağımızı düşünmüştük. Fakat gerçekler bundan daha farklı çünkü genlerimizin yanı sıra ciddi hastalıklara yakalanmamızda çevrenin ve yaşam biçiminin de büyük rolü var.
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.
Bunun bir örneği yağlı karaciğer hastalığı, bütün dünyanın %20'sini etkileyen bir hastalık, hiçbir tedavisi yok ve karaciğer kanserine veya karaciğer yetmezliğine yol açıyor. Yani DNA dizisi bize etkili tedavi bulmak için yeterli bilgi vermez.
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.
Olumlu yönden bakarsak vücudumuzda birçok diğer molekül bulunmakta. Hatta 100.000'den fazla metabolit mevcut. Metabolitler, çok küçük moleküllerdir. Bilinen örnekleri glikoz, fruktoz, yağlar, kolesterol. Her zaman duyduğumuz şeyler. Metabolitlerin metabolizmada işlevleri var. Ayrıca DNA'nın birer parçası, yani hem genlerimiz hem de yaşam tarzımız ile ilgili bilgi taşırlar. Metabolitleri anlamak, birçok hastalığa tedavi bulmak için önemli.
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.
Her zaman hastaları tedavi etmek istemiştim. Buna rağmen 15 yıl önce tıp okulundan ayrıldım çünkü matematiği özlemiştim. Kısa bir süre sonra çok güzel bir şey öğrendim. Tıp alanında çalışmak için matematik kullanabilirdim. O zamandan beri biyolojik veri analizi için algoritmalar geliştiriyorum. Sözde kulağa kolay geliyor: Hadi bütün vücudumuzdaki metabolitlerden bilgi toplayalım, bir hastalıkta nasıl değiştiklerini açıklayan matematiksel modeller yapalım ve bu değişikliklere engel olarak hastalığı tedavi edelim.
Then I realized why no one has done this before: it's extremely difficult.
Sonra neden bunu daha önce kimsenin denemediğini anladım, bu aşırı derecede zor bir iş.
(Laughter)
(Gülüşmeler)
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.
Vücudumuzda çok fazla metabolit var. Her biri birbirinden farklı. Bazı metabolitlerin kütlesini, kütle spektrometresi aletleri kullanarak hesaplayabiliyoruz. Ama aynı kütleye sahip olan diyelim ki 10 tane molekül olabileceği için tam olarak ne olduklarını bilmiyoruz ve eğer hepsini tek tek ayırt etmek istiyorsak daha çok deneyler yapmamız gerekir, bu da onlarca yıla ve milyarlarca dolara mal olur.
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.
Biz de bunu yapması için bir yapay zekâ ya da AI platformu geliştirdik. Biyolojik verinin büyümesine katkıda bulunduk, metabolitlerle ve onların diğer moleküllerle tepkimelerini kapsayan her bilgiyle bir veri tabanı oluşturduk. Bu verinin hepsini bir mega ağda topladık. Sonrasında dokudan veya hastalarımızın kanından, metabolitlerin kütlelerini hesapladık ve bir hastalıkta değişen kütleleri bulduk. Ama önceden de belirttiğim gibi tam olarak ne olduklarını bilmiyoruz. Moleküler kütlesi 180 ise glukoz, galaktoz veya fruktoz olabilir. Hepsinin kütlesi aynı fakat işlevi farklı. Bizim yapay zekâ algoritmamız bu belirsizlikleri göze alıyor. Sonra da mega ağın derinliklerine inip hastalığa sebep olan metabolik kütlelerin birbirlerine bağlantısını buluyor. Ve bağlanma şekillerinden yola çıkarak her metabolitin kütlesini bulabiliyoruz, mesela buradaki 180 glukoz olabilir ve daha da önemlisi glukoz ve diğer metabolitlerdeki değişimlerin nasıl hastalıklara yol açtığını keşfediyoruz. Hastalık mekanizmasına olan yeni anlayışımız da onu hedef alan tedaviler geliştirmemize olanak sağlıyor.
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.
Biz de bu teknolojiyi markete sunmak ve insanların hayatlarını etkilemek amacıyla bir şirket oluşturduk. Şimdi benim takımım ve ben, ReviveMed'te metabolitlerin ana sorun olduğu hastalıklara tedavi bulmak için çalışıyoruz, mesela yağlı karaciğer hastalığı gibi çünkü bu hastalık, karaciğerdeki metabolit tipleri olan yağların birikmesi ile ortaya çıkar. Daha önce de bahsettiğim gibi bu, tedavisi olmayan çok yaygın bir hastalık.
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.
Ve yağlı karaciğer hastalığı sadece bir örnek. İleride, tedavisi olmayan birçok hastalığı ele alacağız. Ve metabolitler hakkında daha çok veri topladıkça ve metabolitlerdeki değişimin nasıl hastalığa dönüştüğünü anladıkça algoritmamız daha da zeki olacak ve doğru hastalar için doğru tedavileri keşfedecek. Ve yazdığımız her bir satır kod ile hayat kurtarma amacımıza daha çok yaklaşmış olacağız.
Thank you.
Teşekkür ederim.
(Applause)
(Alkışlar)