ABOUT THE SPEAKER
Leila Pirhaji - Biotech entrepreneur
Leila Pirhaji uses artificial intelligence for drug discovery and the treatment of metabolic diseases.

Why you should listen

Leila Pirhaji is the founder of ReviveMed, an AI platform that can quickly and inexpensively characterize large numbers of metabolites (small molecules like glucose or cholesterol) from the blood, urine and tissues of patients. This allows for the detection of molecular mechanisms that lead to disease and the discovery of drugs that target these disease mechanisms.

More profile about the speaker
Leila Pirhaji | Speaker | TED.com
TED2019

Leila Pirhaji: The medical potential of AI and metabolites

لیلا پیرحاجی: پتانسیل‌های پزشکی هوش مصنوعی و متابولیت‌ها

Filmed:
1,210,569 views

عامل بسیاری از بیماری‌ها متابولیت‌ها هستند-مولکول‌های کوچکی در بدن شما مثل چربی، گلوکز و کلسترول- اما ما دقیق نمی‌دانیم آنها چه هستند و چگونه کار میکنند. کارآفرین بیوتک و همیار TED لیلا پیرحاجی برنامه‌اش برای ساخت شبکه‌ای بر پایه هوش مصنوعی برای طبقه بندی الگوهای متابولیت‌ها، درک بهتر توسعه‌ی بیماری‌ها و توسعه‌ی درمان‌های موثرتر به اشتراک می‌گذارد.
- Biotech entrepreneur
Leila Pirhaji uses artificial intelligence for drug discovery and the treatment of metabolic diseases. Full bio

Double-click the English transcript below to play the video.

00:13
In 2003,
0
1507
1889
در سال ۲۰۰۳،
00:15
when we sequencedتوالی the humanانسان genomeژنوم,
1
3420
2913
وقتی ما ژنوم انسان را
در توالی ترتیب قرار دادیم،
00:18
we thought we would have the answerپاسخ
to treatدرمان شود manyبسیاری diseasesبیماری ها.
2
6357
3922
فکر می کردیم جواب درمان
بسیاری از بیماریها را داریم
00:22
But the realityواقعیت is farدور from that,
3
10974
2657
اما واقعیت بسیار با آن فاصله دارد،
00:26
because in additionعلاوه بر این to our genesژن ها,
4
14782
1921
چون علاوه بر ژن هایمان،
00:28
our environmentمحیط and lifestyleسبک زندگی
could have a significantقابل توجه roleنقش
5
16727
4570
محیط زیست و سبک زندگیمان
می تواند نقش چشمگیری
00:33
in developingدر حال توسعه manyبسیاری majorعمده diseasesبیماری ها.
6
21321
2548
در توسعه ی خیلی از
بیماری های مهم داشته باشد.
00:35
One exampleمثال is fattyچرب liverکبد diseaseمرض,
7
23893
3580
یک مثال از آن بیماری کبد چرب است،
00:39
whichکه is affectingموثر بر over 20 percentدرصد
of the populationجمعیت globallyدر سطح جهانی,
8
27497
4083
که روی ۲۰ درصد از
جمعیت جهانی تاثیر گذاشته است،
00:43
and it has no treatmentرفتار
and leadsمنجر می شود to liverکبد cancerسرطان
9
31604
3034
و درمانی ندارد و باعث سرطان کبد
00:46
or liverکبد failureشکست.
10
34662
1423
یا نارسایی کبد می شود.
00:49
So sequencingتوالی DNADNA aloneتنها
doesn't give us enoughکافی informationاطلاعات
11
37517
4744
بنابراین توالی DNA به تنهایی
اطلاعات کافی به ما نمی دهد
00:54
to find effectiveتاثير گذار therapeuticsدرمان های.
12
42285
2232
تا درمان موثری پیدا کنیم.
00:56
On the brightروشن است sideسمت, there are
manyبسیاری other moleculesمولکول ها in our bodyبدن.
13
44541
3756
نکته ی مثبت اینجاست که مولکول های
بسیاری در بدن ما وجود دارد.
01:00
In factواقعیت, there are
over 100,000 metabolitesمتابولیت ها.
14
48321
3980
در حقیقت بیش از ۱۰۰.۰۰۰
متابولیت وجود دارد.
01:04
Metabolitesمتابولیت are any moleculeمولکول
that is supersmallsupersmall in theirخودشان sizeاندازه.
15
52325
4296
متابولیت هر مولکولی است که اندازه آن
فوق العاده کوچک است.
01:09
Knownشناخته شده examplesمثال ها are glucoseگلوکز,
fructoseفروکتوز, fatsچربی ها, cholesterolکلسترول --
16
57193
4972
مثالهای شناخته شده گلوکز، فراکتوز،
چربی ها، کلسترول و .. هستند
01:14
things we hearشنیدن all the time.
17
62189
1510
چیزهایی که همیشه می شنویم.
01:16
Metabolitesمتابولیت are involvedگرفتار
in our metabolismمتابولیسم.
18
64273
2983
متابولیت ها در متابولیسم ما نقش دارند.
01:20
They are alsoهمچنین downstreamپایین دست of DNADNA,
19
68066
4028
آنها همچنین در پایین دست DNA قرار دارند ،
01:24
so they carryحمل informationاطلاعات
from bothهر دو our genesژن ها as well as lifestyleسبک زندگی.
20
72118
5082
بنابراین حاوی اطلاعاتی از ژن های ما
همینطور سبک زندگی ما هستند.
01:29
Understandingدرك كردن metabolitesمتابولیت ها is essentialضروری است
to find treatmentsدرمان ها for manyبسیاری diseasesبیماری ها.
21
77224
5649
فهمیدن متابولیت ها برای پیدا کردن
درمان بسیاری از بیماری ها ضروری است.
01:34
I've always wanted to treatدرمان شود patientsبیماران.
22
82897
2212
من همیشه می خواستم بیماران را درمان کنم.
01:37
Despiteبا وجود that, 15 yearsسالها agoپیش,
I left medicalپزشکی schoolمدرسه,
23
85934
3858
علی رغم آن، ۱۵ سال قبل،
من دانشکده پزشکی را ترک کردم،
01:41
as I missedاز دست رفته mathematicsریاضیات.
24
89816
1965
چون ریاضیات را از دست داده بودم.
01:45
Soonبه زودی after, I foundپیدا شد the coolestجالب ترین thing:
25
93019
2936
خیلی زود بعد از آن،
جالبترین چیز را فهمیدم:
01:48
I can use mathematicsریاضیات to studyمطالعه medicineدارو.
26
96692
2763
من می توانم از ریاضی
برای مطالعه ی پزشکی استفاده کنم.
01:53
Sinceاز آنجا که then, I've been developingدر حال توسعه
algorithmsالگوریتم ها to analyzeتجزیه و تحلیل biologicalبیولوژیکی dataداده ها.
27
101026
5213
از آن به بعد، در حال توسعه ی الگوریتم هایی
برای تحلیل داده های بیولوژیکی بودم.
01:59
So, it soundedصدای easyآسان:
28
107092
2283
حب، به نظر آسان رسید:
02:01
let's collectجمع کن dataداده ها from all
the metabolitesمتابولیت ها in our bodyبدن,
29
109399
3601
بیایید داده هایی از تمام متابولیت ها
در بدنمان جمع آوری کنیم،
02:05
developتوسعه mathematicalریاضی modelsمدل ها to describeتوصیف کردن
how they are changedتغییر کرد in a diseaseمرض
30
113024
5128
مدلهای ریاضی برای توصیف اینکه آنها چگونه
در یک بیماری تغییر می کنند توسعه دهیم
02:10
and interveneدخالت in those
changesتغییرات to treatدرمان شود them.
31
118176
2988
و در آن تغییرات مداخله کنیم
تا آنها را درمان کنیم.
02:14
Then I realizedمتوجه شدم why no one
has doneانجام شده this before:
32
122488
3472
سپس تشخیص دادم
چرا قبلا هیچکس آن را انجام نداده است:
02:19
it's extremelyفوق العاده difficultدشوار.
33
127230
1687
چون این کار بسیار سخت است.
02:20
(Laughterخنده)
34
128941
1087
(خنده)
02:22
There are manyبسیاری metabolitesمتابولیت ها in our bodyبدن.
35
130052
2412
متابولیت های بسیار زیادی
در بدن ما وجود دارند.
02:24
Eachهر یک one is differentناهمسان from the other one.
36
132783
2500
هر کدام از دیگری تفاوت دارد.
02:27
For some metabolitesمتابولیت ها,
we can measureاندازه گرفتن theirخودشان molecularمولکولی massجرم
37
135307
3728
برای بعضی از متابولیت ها،
می توانیم حجم مولکولیشان را
02:31
usingاستفاده كردن massجرم spectrometryطیف سنجی instrumentsابزار.
38
139059
2593
با استفاده از ابزار
طیف سنجی حجمی اندازه بگیریم .
02:33
But because there could be, like,
10 moleculesمولکول ها with the exactدقیق sameیکسان massجرم,
39
141676
4393
اما چون ممکن بود مثلا ۱۰ مولکول
با حجم دقیقا یکسان وجود داشته باشد،
02:38
we don't know exactlyدقیقا what they are,
40
146093
1807
ما دقیقا نمی دانیم آنها چه هستند،
02:39
and if you want to clearlyبه وضوح
identifyشناسایی all of them,
41
147924
2774
و اگر می خواهید بطور واضح
همه ی آنها را تشحیص دهید،
02:42
you have to do more experimentsآزمایشات,
whichکه could take decadesچند دهه
42
150722
3104
مجبورید آزمایشهای بیشتری انجام دهید،
که ممکن است دهه ها طول بکشد
02:45
and billionsمیلیاردها دلار of dollarsدلار.
43
153850
1714
و میلیاردها دلار هزینه داشته باشد.
02:48
So we developedتوسعه یافته an artificialمصنوعی
intelligenceهوش, or AIAI, platformسکو, to do that.
44
156207
5563
بنابراین ما یک بستر هوش مصنوعی
برای انجام آن توسعه دادیم.
02:53
We leveragedقدرت خرید the growthرشد of biologicalبیولوژیکی dataداده ها
45
161794
2844
ما رشد داده های بیولوژیکی را تقویت کردیم
02:56
and builtساخته شده a databaseبانک اطلاعاتی of any existingموجود است
informationاطلاعات about metabolitesمتابولیت ها
46
164662
4424
و پایگاه داده ای از تمام اطلاعات موجود
درباره ی متابولیت ها
03:01
and theirخودشان interactionsفعل و انفعالات
with other moleculesمولکول ها.
47
169110
3128
و تعاملات آنها با دیگر مولکولها ساختیم.
03:04
We combinedترکیب شده all this dataداده ها
as a meganetworkmeganetwork.
48
172262
3424
ما تمام این داده ها را
به عنوان ابرشبکه ای ترکیب کردیم.
03:07
Then, from tissuesبافت ها or bloodخون of patientsبیماران,
49
175710
3396
سپس از بافت یا خون بیماران،
03:11
we measureاندازه گرفتن massesتوده ها of metabolitesمتابولیت ها
50
179130
2751
حجم متابولیت ها را اندازه می گیریم
03:13
and find the massesتوده ها
that are changedتغییر کرد in a diseaseمرض.
51
181905
3259
و حجم هایی را پیدا می کنیم که
در طول یک بیماری تغییر می کنند.
03:17
But, as I mentionedذکر شده earlierقبلا,
we don't know exactlyدقیقا what they are.
52
185188
3190
اما همانطور که قبلا گفتم
ما نمی دانیم آنها چه هستند.
03:20
A molecularمولکولی massجرم of 180 could be
eitherیا the glucoseگلوکز, galactoseگالاکتوز or fructoseفروکتوز.
53
188402
5135
حجم مولکولی ۱۸۰ می تواند گلوکز،
گلاکتوز یا فراکتوز باشد.
03:25
They all have the exactدقیق sameیکسان massجرم
54
193561
2019
همه ی آنها حجم یکسانی دارند
03:27
but differentناهمسان functionsتوابع in our bodyبدن.
55
195604
2087
اما نقش های متفاوتی در بدن ما دارند.
03:29
Our AIAI algorithmالگوریتم consideredدر نظر گرفته شده
all these ambiguitiesابهامات.
56
197715
3587
الگوریتم هوش مصنوعی ما
تمام این ابهامات را در نظر گرفته است.
03:33
It then minedاستخراج شده that meganetworkmeganetwork
57
201326
2736
سپس آن ابر شبکه را استخراج کرد
03:36
to find how those metabolicمتابولیک massesتوده ها
are connectedمتصل to eachهر یک other
58
204086
4353
تا بفهمد آن حجم های متابولیک
چگونه به یکدیگر مرتبط هستند
03:40
that resultنتيجه in diseaseمرض.
59
208463
1958
که باعث بیماری می گردند.
03:42
And because of the way they are connectedمتصل,
60
210445
2238
و به خاطر روشی که به هم مرتبط هستند،
03:44
then we are ableتوانایی to inferنتیجه گیری
what eachهر یک metaboliteمتابولیت massجرم is,
61
212707
4323
سپس می توانیم استنباط کنیم
که هر حجم متابولیت چه چیزی هست،
03:49
like that 180 could be glucoseگلوکز here,
62
217054
2924
مثل آن ۱۸۰ می تواند در اینجا گلوکز باشد،
03:52
and, more importantlyمهم است, to discoverكشف كردن
63
220002
2551
و مهمتر، کشف کردن اینکه
03:54
how changesتغییرات in glucoseگلوکز
and other metabolitesمتابولیت ها
64
222577
3367
چگونه تغییر در گلوکز و دیگر متابولیت ها
03:57
leadسرب to a diseaseمرض.
65
225968
1505
باعث بیماری می شود.
03:59
This novelرمان understandingدرك كردن
of diseaseمرض mechanismsمکانیسم ها
66
227497
2995
این درک جدید از مکانیسم های بیماری
04:02
then enableفعال کردن us to discoverكشف كردن
effectiveتاثير گذار therapeuticsدرمان های to targetهدف that.
67
230516
4492
سپس ما را قادر می سازد تا درمان موثری
برای هدف قرار دادن آن کشف کنیم.
04:07
So we formedشکل گرفت a start-upشروع companyشرکت
to bringآوردن this technologyتکنولوژی to the marketبازار
68
235601
3845
بنابراین ما شرکت استارت آپی تشکیل دادیم
تا این تکنولوژی را به بازار بیاوریم
04:11
and impactتأثیر people'sمردم livesزندگی می کند.
69
239470
1805
و روی زندگی مردم تاثیر بگذاریم.
04:13
Now my teamتیم and I at ReviveMedReviveMed
are workingکار کردن to discoverكشف كردن
70
241722
3545
اکنون من و تیمم در ReviveMed در حال
کار کردن برای کشف
04:17
therapeuticsدرمان های for majorعمده diseasesبیماری ها
that metabolitesمتابولیت ها are keyکلیدی driversرانندگان for,
71
245291
5105
درمانی برای عمده بیماریهایی
که در آنها متابولیتها محرکهای اصلی هستند،
04:22
like fattyچرب liverکبد diseaseمرض,
72
250420
1897
مثلا بیماری کبد چرب،
04:24
because it is causedباعث
by accumulationتجمع of fatsچربی ها,
73
252341
2924
چون به واسطه
تجمع چربی ها ایجاد شده است،
04:27
whichکه are typesانواع
of metabolitesمتابولیت ها in the liverکبد.
74
255289
2473
که انواعی از متابولیت ها در کبد هستند.
04:29
As I mentionedذکر شده earlierقبلا,
it's a hugeبزرگ epidemicبیماری همه گیر with no treatmentرفتار.
75
257786
3940
همانطور که قبلا گفتم، این بیماری همه گیر
و بدون درمان است.
04:33
And fattyچرب liverکبد diseaseمرض
is just one exampleمثال.
76
261750
2724
و بیماری کبد چرب تنها یک مثال است.
04:36
Movingدر حال حرکت forwardرو به جلو, we are going to tackleبرخورد با
hundredsصدها of other diseasesبیماری ها
77
264498
4178
در حرکت به جلو، ما قصد داریم
با صدها بیماری
04:40
with no treatmentرفتار.
78
268700
1493
بدون درمان دیگر نیز مقابله کنیم
04:42
And by collectingجمع آوری more and more
dataداده ها about metabolitesمتابولیت ها
79
270217
4554
و با جمع آوری داده های بیشتر و بیشتر
در مورد متابولیت ها
04:46
and understandingدرك كردن
how changesتغییرات in metabolitesمتابولیت ها
80
274795
3544
و قهمیدن اینکه چگونه
تغییرات در متابولیت ها
04:50
leadsمنجر می شود to developingدر حال توسعه diseasesبیماری ها,
81
278363
2402
باعث گسترش بیماریها می شود،
04:52
our algorithmsالگوریتم ها will get
smarterهوشمندانه and smarterهوشمندانه
82
280789
3489
الگوریتم های ما باهوش تر
و باهوش تر می شوند
04:56
to discoverكشف كردن the right therapeuticsدرمان های
for the right patientsبیماران.
83
284302
4196
تا درمان درست برای
بیماران درست را انجام دهند.
05:00
And we will get closerنزدیک تر to reachنائل شدن our visionچشم انداز
84
288522
3770
و ما به چشم انداز خودمان
نزدیکتر خواهیم شد
05:04
of savingصرفه جویی در livesزندگی می کند with everyهرکدام lineخط of codeکد.
85
292316
3863
با نجات زندگیهایی با هر خط کدی که دارند.
05:08
Thank you.
86
296203
1321
متشکرم.
05:09
(Applauseتشویق و تمجید)
87
297548
3827
(تشویق)
Translated by Masoud Motamedifar
Reviewed by Leila Ataei

▲Back to top

ABOUT THE SPEAKER
Leila Pirhaji - Biotech entrepreneur
Leila Pirhaji uses artificial intelligence for drug discovery and the treatment of metabolic diseases.

Why you should listen

Leila Pirhaji is the founder of ReviveMed, an AI platform that can quickly and inexpensively characterize large numbers of metabolites (small molecules like glucose or cholesterol) from the blood, urine and tissues of patients. This allows for the detection of molecular mechanisms that lead to disease and the discovery of drugs that target these disease mechanisms.

More profile about the speaker
Leila Pirhaji | Speaker | TED.com