The medical potential of AI and metabolites | Leila Pirhaji

תרגום: zeeva livshitz עריכה: Ido Dekkers

ב 2003,

כאשר ריצפנו את הגנום האנושי,

חשבנו שתימצא לנו התשובה לטיפול במחלות רבות.

In 2003,

אבל המציאות רחוקה מכך,

when we sequenced the human genome,

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

כי בנוסף לגנים שלנו,

לסביבה ולאורח החיים שלנו יכולים להיות תפקיד משמעותי

But the reality is far from that,

בפיתוח מחלות חמורות רבות.

because in addition to our genes,

דוגמה אחת היא מחלת הכבד השומני,

our environment and lifestyle could have a significant role

שמשפיעה על למעלה מ-20 אחוז מאוכלוסיית העולם,

in developing many major diseases.

One example is fatty liver disease,

ואין לה טיפול והיא מובילה לסרטן הכבד

או לאי ספיקת כבד.

which is affecting over 20 percent of the population globally,

אז ריצוף DNA לבד לא נותן לנו מספיק מידע

and it has no treatment and leads to liver cancer

כדי למצוא תרופות אפקטיביות.

or liver failure.

בצד החיובי, ישנן מולקולות רבות אחרות בגופנו.

So sequencing DNA alone doesn't give us enough information

למעשה, יש מעל 100,000 מטבוליטים.

to find effective therapeutics.

מטבוליטים הם כל המולקולות הסופר קטנות בגודלן.

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

In fact, there are over 100,000 metabolites.

דוגמאות ידועות הן גלוקוז, פרוקטוז, שומנים, כולסטרול --

Metabolites are any molecule that is supersmall in their size.

דברים שאנחנו שומעים כל הזמן.

מטבוליטים מעורבים בחילוף החומרים שלנו.

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

הם גם במורד הזרם של ה-DNA,

things we hear all the time.

כך שהם נושאים מידע הן מהגנים שלנו והן מאורח החיים.

Metabolites are involved in our metabolism.

They are also downstream of DNA,

הבנת מטבוליטים חיונית למציאת תרופות למחלות רבות.

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

תמיד רציתי לטפל בחולים.

Understanding metabolites is essential to find treatments for many diseases.

למרות זאת, לפני 15 שנה, עזבתי את בית הספר לרפואה,

כי התגעגעתי למתמטיקה.

I've always wanted to treat patients.

זמן קצר לאחר מכן, מצאתי את הדבר הכי מגניב:

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

אני יכולה להשתמש במתמטיקה כדי ללמוד רפואה.

as I missed mathematics.

מאז, אני מפתחת אלגוריתמים לניתוח נתונים ביולוגיים.

Soon after, I found the coolest thing:

I can use mathematics to study medicine.

אז זה נשמע קל:

בואו ונאסוף נתונים מכל המטבוליטים בגופנו,

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

נפתח מודלים מתמטיים כדי לתאר כיצד הם משתנים במחלה

So, it sounded easy:

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

ולהתערב בשינויים אלה לשם טיפול בהם.

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

ואז הבנתי למה אף אחד לא עשה את זה בעבר:

and intervene in those changes to treat them.

זה קשה ביותר.

(צחוק)

ישנם מטבוליטים רבים בגופנו.

Then I realized why no one has done this before:

כל אחד שונה מהאחר.

במטבוליטים מסוימים, אנחנו יכולים למדוד את המסה המולקולרית שלהם

it's extremely difficult.

(Laughter)

There are many metabolites in our body.

באמצעות מכשירי ספקטרומטריית מסה.

Each one is different from the other one.

אבל בגלל שיכולות להיות, כ 10 מולקולות עם אותה מסה בדיוק,

For some metabolites, we can measure their molecular mass

אנחנו לא יודעים בדיוק מה הן,

using mass spectrometry instruments.

ואם רוצים לזהות את כולם בבירור,

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

צריך לעשות עוד ניסויים, מה שיכול לקחת עשרות שנים

ומיליארדי דולרים.

we don't know exactly what they are,

and if you want to clearly identify all of them,

אז פיתחנו בינה מלאכותית, או פלטפורמת ב“מ, כדי לעשות זאת.

you have to do more experiments, which could take decades

and billions of dollars.

מינפנו את הצמיחה של נתונים ביולוגיים

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

ובנינו מסד נתונים של כל המידע הקיים על מטבוליטים

והאינטראקציות שלהם עם מולקולות אחרות.

We leveraged the growth of biological data

שילבנו את כל הנתונים האלה כמגה-רשת.

and built a database of any existing information about metabolites

ואז, מרקמות או דם של חולים,

and their interactions with other molecules.

אנו מודדים מסות של מטבוליטים

We combined all this data as a meganetwork.

ומוצאים את המסות שמשתנות במחלות

Then, from tissues or blood of patients,

אבל, כפי שציינתי קודם, אנחנו לא יודעים בדיוק מה הן.

we measure masses of metabolites

מסה מולקולרית של 180 יכולה להיות גלוקוז, גלקטוז או פרוקטוז.

and find the masses that are changed in a disease.

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

לכולם יש את אותה מסה בדיוק

אבל תפקודים שונים בגופנו.

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

אלגוריתם ה-AI שלנו שקל את כל הדו משמעויות הללו.

ולאחר מכן הוא כרה את המגה-רשת הזו

They all have the exact same mass

but different functions in our body.

כדי למצוא איך המסות המטבוליות האלו מחוברות זו לזו

Our AI algorithm considered all these ambiguities.

מה שגורם למחלה.

It then mined that meganetwork

ובעזרת האופן שבו הן מחוברות,

to find how those metabolic masses are connected to each other

נוכל להסיק מהי כל מסת מטבוליט,

that result in disease.

כמו למשל ש 180 כאן יכולות להיות גלוקוז,

And because of the way they are connected,

וחשוב מכך, לגלות

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

כיצד שינויים בגלוקוז ובמטבוליטים אחרים

like that 180 could be glucose here,

מוליכים למחלה.

ההבנה החדשנית הזו של מנגנוני מחלה

and, more importantly, to discover

how changes in glucose and other metabolites

מאפשרת לנו לגלות טיפולים יעילים כדי להתמקד בהם.

lead to a disease.

This novel understanding of disease mechanisms

אז הקמנו חברת סטארט-אפ כדי להביא את הטכנולוגיה הזו לשוק

then enable us to discover effective therapeutics to target that.

ולהשפיע על חייהם של אנשים.

כעת הצוות שלי ואני ב- ReviveMed עובדים לגלות

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

תרופות לטיפול במחלות קשות שעבורן מטבוליטים הם גורמי מפתח,

and impact people's lives.

Now my team and I at ReviveMed are working to discover

כמו מחלת כבד שומני,

כי היא נגרמת על ידי הצטברות שומנים,

therapeutics for major diseases that metabolites are key drivers for,

שהם סוגים של מטבוליטים בכבד.

כפי שציינתי קודם, זו מגיפה ענקית שאין לה טיפול.

like fatty liver disease,

because it is caused by accumulation of fats,

ומחלת כבד שומני היא רק דוגמה אחת.

which are types of metabolites in the liver.

כדי להתקדם, אנחנו עומדים להתמודד עם מאות מחלות אחרות

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

שאין להן טיפול.

And fatty liver disease is just one example.

ועל ידי איסוף עוד ועוד נתונים על מטבוליטים

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

והבנת האופן בו שינויים במטבוליטים

with no treatment.

מובילים להתפתחות מחלות,

And by collecting more and more data about metabolites

האלגוריתמים שלנו ייעשו יותר ויותר חכמים

and understanding how changes in metabolites

כדי לגלות את התרופות הנכונות למטופלים הנכונים.

leads to developing diseases,

our algorithms will get smarter and smarter

ואנחנו נתקרב יותר להגיע לחזון שלנו

של הצלת חיים עם כל שורה של קוד.

to discover the right therapeutics for the right patients.

תודה.

And we will get closer to reach our vision

(מחיאות כפיים)

of saving lives with every line of code.

Thank you.

(Applause)