The medical potential of AI and metabolites | Leila Pirhaji

Translator: Masoud Motamedifar Reviewer: Leila Ataei

In 2003,

در سال ۲۰۰۳،

when we sequenced the human genome,

وقتی ما ژنوم انسان را در توالی ترتیب قرار دادیم،

we thought we would have the answer to treat many diseases.

فکر می‌کردیم جواب درمان بسیاری از بیماریها را داریم

But the reality is far from that,

اما واقعیت بسیار با آن فاصله دارد،

because in addition to our genes,

چون علاوه بر ژن‌هایمان،

our environment and lifestyle could have a significant role

محیط زیست و سبک زندگیمان می‌تواند نقش چشمگیری

in developing many major diseases.

در توسعه‌ی خیلی از بیماریهای مهم داشته باشد.

One example is fatty liver disease,

یک مثال از آن بیماری کبد چرب است،

which is affecting over 20 percent of the population globally,

که روی ۲۰ درصد از جمعیت جهانی تاثیر گذاشته است،

and it has no treatment and leads to liver cancer

و درمانی ندارد و باعث سرطان کبد

or liver failure.

یا نارسایی کبد می‌شود.

So sequencing DNA alone doesn't give us enough information

بنابراین توالی DNA به تنهایی اطلاعات کافی به ما نمی‌دهد

to find effective therapeutics.

تا درمان موثری پیدا کنیم.

On the bright side, there are many other molecules in our body.

نکته‌ی مثبت اینجاست که مولکولهای بسیاری در بدن ما وجود دارد.

In fact, there are over 100,000 metabolites.

در حقیقت بیش از ۱۰۰,۰۰۰ متابولیت وجود دارد.

Metabolites are any molecule that is supersmall in their size.

متابولیت هر مولکولی است که اندازه آن فوق‌العاده کوچک است.

Known examples are glucose, fructose, fats, cholesterol --

مثالهای شناخته شده گلوکز، فراکتوز، چربی ها، کلسترول و .. هستند

things we hear all the time.

چیزهایی که همیشه می‌شنویم.

Metabolites are involved in our metabolism.

متابولیت‌ها در متابولیسم ما نقش دارند.

They are also downstream of DNA,

آنها همچنین در پایین دست DNA قرار دارند،

so they carry information from both our genes as well as lifestyle.

بنابراین حاوی اطلاعاتی از ژن‌ها همینطور سبک زندگی ما هستند.

Understanding metabolites is essential to find treatments for many diseases.

فهمیدن متابولیت‌ها برای پیدا کردن درمان بسیاری از بیماری‌ها ضروری است.

I've always wanted to treat patients.

من همیشه می‌خواستم بیماران را درمان کنم.

Despite that, 15 years ago, I left medical school,

علی رغم آن، ۱۵ سال قبل، دانشکده پزشکی را ترک کردم،

as I missed mathematics.

چون ریاضیات را از دست داده بودم.

Soon after, I found the coolest thing:

خیلی زود بعد از آن، جالبترین چیز را فهمیدم:

I can use mathematics to study medicine.

من می‌توانم از ریاضی برای مطالعه‌ی پزشکی استفاده کنم.

Since then, I've been developing algorithms to analyze biological data.

از آن به بعد، در حال توسعه‌ی الگوریتم‌هایی برای تحلیل داده‌های بیولوژیکی بودم.

So, it sounded easy:

خب، به نظر آسان می‌رسید:

let's collect data from all the metabolites in our body,

بیایید داده‌هایی از تمام متابولیت‌های بدنمان را جمع‌آوری کنیم،

develop mathematical models to describe how they are changed in a disease

مدلهای ریاضی برای توصیف اینکه آنها چگونه در یک بیماری تغییر می‌کنند توسعه دهیم

and intervene in those changes to treat them.

و در آن تغییرات مداخله کنیم تا آنها را درمان کنیم.

Then I realized why no one has done this before:

آنوقت بود تشخیص دادم چرا قبلا هیچکس آن را انجام نداده است:

it's extremely difficult.

چون این کار بسیار سخت است.

(Laughter)

(خنده)

There are many metabolites in our body.

متابولیت‌های بسیار زیادی در بدن ما هست.

Each one is different from the other one.

هر کدام از دیگری تفاوت دارد.

For some metabolites, we can measure their molecular mass

برای بعضی از متابولیت‌ها، می‌توانیم حجم مولکولی‌شان را

using mass spectrometry instruments.

با استفاده از ابزار طیف‌سنجی حجمی اندازه بگیریم.

But because there could be, like, 10 molecules with the exact same mass,

اما چون ممکن بود مثلا ۱۰ مولکول با حجم دقیقا یکسان وجود داشته باشد،

we don't know exactly what they are,

دقیقا نمی‌دانیم آنها چه هستند،

and if you want to clearly identify all of them,

و اگر می‌خواهید بطور واضح همه‌ی آنها را تشحیص دهید،

you have to do more experiments, which could take decades

مجبورید آزمایشهای بیشتری انجام دهید، که ممکن است دهه‌ها طول بکشد

and billions of dollars.

و میلیاردها دلار هزینه داشته باشد.

So we developed an artificial intelligence, or AI, platform, to do that.

بنابراین ما یک بستر هوش مصنوعی برای انجام آن توسعه دادیم.

We leveraged the growth of biological data

ما رشد داده‌های بیولوژیکی را تقویت کردیم

and built a database of any existing information about metabolites

و پایگاه داده‌ای از تمام اطلاعات موجود درباره‌ی متابولیت‌ها

and their interactions with other molecules.

و تعاملات آنها با دیگر مولکولها ساختیم.

We combined all this data as a meganetwork.

ما تمام این داده‌ها را به عنوان ابرشبکه‌ای ترکیب کردیم.

Then, from tissues or blood of patients,

سپس از بافت یا خون بیماران،

we measure masses of metabolites

حجم متابولیت‌ها را اندازه می‌گیریم

and find the masses that are changed in a disease.

و حجم‌هایی را پیدا می‌کنیم که در طول یک بیماری تغییر می‌کنند.

But, as I mentioned earlier, we don't know exactly what they are.

اما همانطور که قبلا گفتم نمی‌دانیم آنها چه هستند.

A molecular mass of 180 could be either the glucose, galactose or fructose.

حجم مولکولی ۱۸۰ می‌تواند گلوکز، گلاکتوز یا فراکتوز باشد.

They all have the exact same mass

همه‌ی آنها حجم یکسانی دارند

but different functions in our body.

اما نقشهای متفاوتی در بدن ما دارند.

Our AI algorithm considered all these ambiguities.

الگوریتم هوش مصنوعی ما تمام این ابهامات را در نظر گرفته است.

It then mined that meganetwork

سپس آن ابر شبکه را استخراج کرد

to find how those metabolic masses are connected to each other

تا بفهمد آن حجم‌های متابولیک چگونه به یکدیگر مرتبط هستند

that result in disease.

که باعث بیماری می‌گردند.

And because of the way they are connected,

و به خاطر روشی که به هم مرتبط هستند،

then we are able to infer what each metabolite mass is,

سپس می‌توانیم استنباط کنیم که هر حجم متابولیت چه چیزی هست،

like that 180 could be glucose here,

مثل آن ۱۸۰ می‌تواند در اینجا گلوکز باشد،

and, more importantly, to discover

و مهمتر، کشف کردن اینکه

how changes in glucose and other metabolites

چگونه تغییر در گلوکز و دیگر متابولیت‌ها

lead to a disease.

باعث بیماری می‌شود.

This novel understanding of disease mechanisms

این درک جدید از مکانیسم‌های بیماری

then enable us to discover effective therapeutics to target that.

سپس ما را قادر می سازد تا درمان موثری برای هدف قرار دادن آن کشف کنیم.

So we formed a start-up company to bring this technology to the market

بنابراین شرکت استارت‌آپی تشکیل دادیم تا این تکنولوژی را به بازار بیاوریم

and impact people's lives.

و روی زندگی مردم تاثیر بگذاریم.

Now my team and I at ReviveMed are working to discover

اکنون من و تیمم در ReviveMed در حال کار کردن برای کشف

therapeutics for major diseases that metabolites are key drivers for,

درمانی برای عمده بیماریهایی هستیم که در آنها متابولیت‌ها محرکهای اصلی هستند،

like fatty liver disease,

مثلا بیماری کبد چرب،

because it is caused by accumulation of fats,

چون به واسطه تجمع چربی‌ها ایجاد شده است،

which are types of metabolites in the liver.

که انواعی از متابولیت‌ها در کبد هستند.

As I mentioned earlier, it's a huge epidemic with no treatment.

همانطور که قبلا گفتم، این بیماری همه گیر و بدون درمان است.

And fatty liver disease is just one example.

و بیماری کبد چرب تنها یک مثال است.

Moving forward, we are going to tackle hundreds of other diseases

در حرکت به جلو، ما قصد داریم با صدها بیماری

with no treatment.

بدون درمان دیگر نیز مقابله کنیم

And by collecting more and more data about metabolites

و با جمع‌آوری داده‌های بیشتر و بیشتر در مورد متابولیت‌ها

and understanding how changes in metabolites

و فهمیدن اینکه چگونه تغییرات در متابولیت‌ها

leads to developing diseases,

باعث گسترش بیماریها می‌شود،

our algorithms will get smarter and smarter

الگوریتمهای ما باهوش‌تر و باهوش‌تر می‌شوند

to discover the right therapeutics for the right patients.

تا درمان درست برای بیماران درست را انجام دهند.

And we will get closer to reach our vision

و ما به چشم‌انداز خودمان نزدیک‌تر خواهیم شد

of saving lives with every line of code.

با نجات جان‌ها با هر خط کدی که دارند.

Thank you.

متشکرم.

(Applause)

(تشویق)