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.
У 2003 році, коли здійснили секвенування генома людини, ми думали, що це допоможе знайти методи лікування багатьох захворювань. Насправді, все далеко не так, тому що окрім наших генів, довкілля і спосіб життя значно впливають на розвиток багатьох серйозних захворювань.
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 із прикладів - стеатоз печінки, яким хворіють більше 20% населення Землі. Він не лікується і спричиняє рак печінки чи печінкову недостатність. Одне тільки секвенування ДНК не дає нам достатньо інформації, щоб знайти ефективний курс лікування.
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.
Однак, в нашому організмі є багато інших молекул. В ньому є більше 100 000 метаболітів. Метаболіти - це дуже дрібні молекули. Добре знайомі нам метаболіти - це глюкоза, фруктоза, жири, холестерин; ми чуємо про них постійно. Метаболіти беруть участь в обміні речовин. Вони знаходяться по нисхідніій від ДНК, тому містять дані як про гени, так і про спосіб життя. Метаболіти мають важливе значення у пошуках методів лікування багатьох хвороб.
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 завжди хотіла лікувати людей. Незважаючи на це, 15 років тому я покинула медичний університет, тому що мені бракувало математики. Незабаром, несподівано для себе, я дізналася, що можу застосовувати математику для вивчення медицини. Відтоді я розробляю алгоритми аналізу біологічних даних. Здавалося б, це так легко: потрібно зібрати інформацію про всі метаболіти в організмі, створити математичні моделі, що описують їх зміни під час хвороби і протистояти цим змінам в процесі лікування.
Then I realized why no one has done this before: it's extremely difficult.
Потім я зрозуміла, чому цього не зробили раніше: це надзвичайно важко.
(Laughter)
(Сміх)
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 нашому організмі є багато метаболітів. Всі вони дуже різні. Молекулярну масу деяких можна виміряти за допомогою мас-спектометричних інструментів. Проте, оскільки є ймовірність отримати 10 молекул з однаковою масою, ми не знатимемо, що це за молекули. І якщо ми хочемо точно ідентифікувати їх, знадобляться додаткові експерименти, що потребуватимуть десятиліть і мільйонів доларів.
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.
Тому ми створили для цього штучний інтелект або ШІ. Ми скористалися ростом біологічних даних і розробили базу даних всієї існуючої інформації про метаболіти і їх взаємозв’язок з іншими молекулами. Ми об’єднали всі ці дані в мегамережу. Тепер, використовуючи тканини і кров пацієнта, ми вимірюємо масу метаболітів і знаходимо ті, що змінюються під час хвороби. Але, як я казала раніше, ми не знаємо , якими саме є ці метаболіти. Глюкоза, галактоза і фруктоза мають молекулярну масу 180. В них абсолютно однакова молекулярна маса, але вони виконують різні функції в тілі. Наш ШІ врахував всі ці неточності. Потім він пройшов цією мегамережею в пошуках зв’язаних між собою мас метаболітів, що викликають захворювання. Те, як вони зв’язані, допомагає нам визначити масу кожного метаболіта, наприклад, тут 180 - це могла б бути глюкоза, і, що важливо, зрозуміти, як зміни глюкози та інших метаболітів призводять до захворювань. Це нове розуміння механізмів хвороб дозволяє знаходити ефективні способи лікування.
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.
Ми створили стартап, щоб вивести цю технологію на ринок і допомагати людям. Ми з моєю командою в ReviveMed працюємо над пошуком методів лікування хвороб, для яких метаболіти - це ключові фактори, наприклад, стеатозу печінки. Він викликаний накопиченням в печінці жирів, які являють собою один із видів метаболітів. Як я вже казала, це серйозна невиліковна епідемія.
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.
І стеатоз печінки - лише один приклад. Надалі ми плануємо працювати з сотнями інших хвороб, від яких поки немає ліків. Збираючи більше даних про метаболіти і аналізуючи, як зміни в них призводять до захворювань, наші алгоритми ставатимуть все більше розвиненими і допоможуть знаходити курси лікування для конкретних пацієнтів. Ми наблизимося до нашої мети - врятувати життя людей за допомогою кожної лінії коду.
Thank you.
Дякую!
(Applause)
(Оплески)