The medical potential of AI and metabolites | Leila Pirhaji

Fordító: Zsuzsa Viola Lektor: Andi Vida

In 2003,

2003-ban,

when we sequenced the human genome,

amikor szekvenáltuk az emberi genomot,

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

azt gondoltuk, hogy megkapjuk a választ számos betegség kezelésére,

But the reality is far from that,

de a valóság távol áll ettől,

because in addition to our genes,

mert a génjeink mellett

our environment and lifestyle could have a significant role

környezetünk és életmódunk is jelentős szerepet játszik

in developing many major diseases.

a főbb betegségek kialakulásában.

One example is fatty liver disease,

Az egyik példa a zsírmáj,

which is affecting over 20 percent of the population globally,

ami a világ népességének több mint 20 százalékát érinti,

and it has no treatment and leads to liver cancer

nincs gyógymódja, és májrákhoz

or liver failure.

vagy májelégtelenséghez vezet.

So sequencing DNA alone doesn't give us enough information

Tehát csak a DNS szekvenálása nem ad elegendő információt ahhoz,

to find effective therapeutics.

hogy hatékony terápiákat találjunk.

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

A jó hír, hogy sok más molekula is,

In fact, there are over 100,000 metabolites.

valójában több mint 100 000 metabolit található a testünkben.

Metabolites are any molecule that is supersmall in their size.

A metabolitok rendkívül kis méretű molekulák.

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

Ismert példák a glükóz, a fruktóz, a zsírok, a koleszterin –

things we hear all the time.

ezekről állandóan hallunk.

Metabolites are involved in our metabolism.

A metabolitok részt vesznek az anyagcserénkben.

They are also downstream of DNA,

Ezek úgyszintén a DNS gyakorlati megvalósulásai,

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

tehát információkat hordoznak génjeinkről és életmódunkról.

Understanding metabolites is essential to find treatments for many diseases.

A metabolitok megértése sok betegségnél szükséges a gyógymód megtalálásához.

I've always wanted to treat patients.

Mindig betegeket akartam kezelni.

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

Ennek ellenére 15 évvel ezelőtt otthagytam az orvosi iskolát,

as I missed mathematics.

mivel hiányzott a matematika.

Soon after, I found the coolest thing:

Nem sokkal ezután rátaláltam a legmenőbb dologra:

I can use mathematics to study medicine.

Tudom használni a matematikát az orvostudomány tanulmányozására.

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

Azóta algoritmusokat fejlesztek biológiai adatok elemzésére.

So, it sounded easy:

Ez könnyűnek tűnt:

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

gyűjtsünk adatokat a testben levő összes metabolitról,

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

írjuk le matematikai modellekkel, hogyan változnak meg egy betegség során,

and intervene in those changes to treat them.

és avatkozzunk be ezekbe a változásokba, kezeljük őket.

Then I realized why no one has done this before:

Aztán rájöttem, miért nem foglalkozott ezzel még senki:

it's extremely difficult.

mert rendkívül nehéz.

(Laughter)

(Nevetés)

There are many metabolites in our body.

A szervezetben sok metabolit található.

Each one is different from the other one.

Mindegyik különbözik a másiktól.

For some metabolites, we can measure their molecular mass

Egyes metabolitok molekulatömege

using mass spectrometry instruments.

mérhető tömegspektrometriás eszközökkel.

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

De mivel akár 10 molekulának is lehet pontosan ugyanakkora a tömege,

we don't know exactly what they are,

nem tudjuk pontosan, melyek azok,

and if you want to clearly identify all of them,

és az egyértelmű beazonosításhoz több kísérlet kéne,

you have to do more experiments, which could take decades

ez pedig évtizedeket

and billions of dollars.

és dollármilliárdokat venne igénybe.

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

Tehát kifejlesztettünk rá egy mesterséges intelligenciát.

We leveraged the growth of biological data

Kihasználtuk a biológiai adatok szüntelen gyarapodását,

and built a database of any existing information about metabolites

és felépítettünk egy adatbázist a metabolitokról meglévő információkból,

and their interactions with other molecules.

és kölcsönhatásukról más molekulákkal.

We combined all this data as a meganetwork.

Egy megahálózatban összesítettük ezeket az adatokat.

Then, from tissues or blood of patients,

Ezután a betegek szöveteiből vagy véréből

we measure masses of metabolites

megmérjük a metabolitok tömegét,

and find the masses that are changed in a disease.

és megkeressük azokat a tömegeket, amelyek megváltoztak a betegségben.

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

De, ahogy korábban is említettem, nem tudjuk pontosan, melyek azok.

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

A 180-as molekulatömeg lehet glükóz, galaktóz vagy fruktóz is.

They all have the exact same mass

Mindegyik pontosan egyforma tömegű,

but different functions in our body.

de különböző funkciókat látnak el a testünkben.

Our AI algorithm considered all these ambiguities.

Az MI algoritmusunk figyelembe vette mindezt.

It then mined that meganetwork

Ezután átnézte a megahálózatot,

to find how those metabolic masses are connected to each other

hogy megtudja, ezek a metabolikus tömegek hogyan kapcsolódnak egymáshoz,

that result in disease.

hogyan vezetnek betegséghez.

And because of the way they are connected,

A kapcsolódásuk módjából

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

képesek vagyunk következtetni arra, mik is ezek a metabolitok,

like that 180 could be glucose here,

hogy a 180-as tömegű itt glükóz lehet,

and, more importantly, to discover

és ami még fontosabb, hogy felfedezzük,

how changes in glucose and other metabolites

a glükóz és más metabolitok változása

lead to a disease.

hogyan vezet betegséghez.

This novel understanding of disease mechanisms

A betegségmechanizmusok ezen újszerű megértése lehetővé teszi,

then enable us to discover effective therapeutics to target that.

hogy hatékony terápiás gyógyszereket fejlesszünk ki a kezeléshez.

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

Létrehoztunk egy induló vállalkozást, hogy ezt a technológiát forgalomba hozzuk,

and impact people's lives.

és hatással legyünk az emberek életére.

Now my team and I at ReviveMed are working to discover

Jelenleg csapatommal a ReviveMednél a fő betegségek kezelését fejlesztjük,

therapeutics for major diseases that metabolites are key drivers for,

melynek során a metabolitok kulcsfontosságú szerepet játszanak,

like fatty liver disease,

mint például a zsírmáj,

because it is caused by accumulation of fats,

melyet a zsírok felhalmozódása okoz,

which are types of metabolites in the liver.

amelyek a máj metabolittípusai.

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

Ahogy korábban említettem, ez elterjedt betegség, gyógymód nélkül.

And fatty liver disease is just one example.

A zsírmáj csak egy példa erre.

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

Ahogy haladunk előre,

ma még gyógyíthatatlan betegségek százait fogjuk tudni kezelni.

with no treatment.

And by collecting more and more data about metabolites

Majd ahogy egyre több metabolitadatot gyűjtünk,

and understanding how changes in metabolites

és megértjük, hogy a metabolitok változása

leads to developing diseases,

hogyan vezet betegségek kifejlődéséhez,

our algorithms will get smarter and smarter

algoritmusaink egyre okosabbak

to discover the right therapeutics for the right patients.

a betegek számára megfelelő kezelések kifejlesztésében.

And we will get closer to reach our vision

És egyre közelebb kerülünk ahhoz az elképzelésünkhöz,

of saving lives with every line of code.

hogy minden kódsorral életeket mentsünk.

Thank you.

Köszönöm.

(Applause)

(Taps)