WEBVTT Kind: captions; language: nb-no NOTE Treffsikkerhet: 92% (HØY) 00:00:00.000 --> 00:00:08.300 Farmasøytisk forskning er jo et veldig stort tema, så jeg kommer nok ikke til å være like heldekkende som Berit og Anne var for et par uker siden 00:00:08.300 --> 00:00:16.700 da de gikk gjennom farmasøytisk utdanning de siste 200 årene. Det gjorde de på en glimrende og interessant måte. 00:00:16.700 --> 00:00:20.100 Jeg kommer nok til å plukke litt mer her og der, 00:00:20.100 --> 00:00:26.700 basert selvfølgelig på min egen bakgrunn og min egen interesse, så det kommer ikke til å bli heldekkende. 00:00:26.700 --> 00:00:42.200 Så det er sikkert mange som kommer til å savne en del viktige trender som da har totalt gått meg hus forbi. Den sjansen får jeg bare ta. 00:00:42.200 --> 00:00:48.900 Farmasøytisk forskning – hvor stort tema er det egentlig? Man kan jo gå inn i bøker. 00:00:48.900 --> 00:00:55.700 Det finnes noen millioner bøker som er digitalisert av Google. Der kan man gå inn på noe som heter Ngram Viewer – 00:00:55.700 --> 00:00:59.900 og så kan man søke opp det begrepet man er interessert i, – NOTE Treffsikkerhet: 91% (HØY) 00:00:59.900 --> 00:01:06.600 for å se hvor stor del av del av litteraturen dette har utgjort i prosent hvert år normalisert mot antall utgivelser per år. 00:01:06.600 --> 00:01:17.600 Vi ser at farmasøytisk forskning konkurrerer med omtaler av farmasøytisk industri, farmasøytiske bedrifter og farmasøytiske produkter. 00:01:17.600 --> 00:01:30.500 Det er klart at bare å gå inn og se på hvor stort et tema er i litteraturen på denne måten her vil være beheftet med en god del usikkerhet – 00:01:30.500 --> 00:01:38.800 i og med at det er veldig mange andre temaer med omtrent den samme beskrivelsen som vil konkurrere. 00:01:38.800 --> 00:01:43.800 Hvordan kan man ellers måle interesse? Man kan gå inn på noe som heter Google trends – 00:01:43.800 --> 00:01:51.100 for å måle endringer over tid. Hva er en trend? For noen er det den moten som dominerer nå om dagen. 00:01:51.100 --> 00:02:01.400 Lange eller korte skjørt, eller smale eller brede bukser. Men for en statistiker er en trend endringer av ting over tid. NOTE Treffsikkerhet: 90% (HØY) 00:02:01.400 --> 00:02:08.600 Hvis man søker opp de tre studieretningene farmasi, fysikk og kjemi – 00:02:08.600 --> 00:02:17.500 kan det her se ut som fysikk og kjemi er inne i en nedadgående trend de siste 15 årene, – 00:02:17.500 --> 00:02:24.400 mens farmasi er inne i en oppadgående trend. Det er veldig postitivt hvis dette reflekterer – 00:02:24.400 --> 00:02:28.600 hva unge mennesker er opptatt av når de skal velge studieretning. 00:02:28.600 --> 00:02:36.600 Problemet med dette er at farmasi ikke bare er en studieretning. Det betyr jo også apotek på engelsk. 00:02:36.600 --> 00:02:43.200 Kanskje den blå linjen også reflekterer at det er flere og flere som bruker telefonen sin når de skal finne nærmeste apotek. 00:02:43.200 --> 00:02:50.600 Dette er jo bare en katalogisering av søk på internett. Så det er beheftet med en del usikkerhet – 00:02:50.600 --> 00:02:58.500 å gå inn i disse verktøyene for å se på trender. Man må vite at et ord kan bety mer enn en ting. NOTE Treffsikkerhet: 92% (HØY) 00:02:58.500 --> 00:03:05.500 Det tror jeg en del av forklaringen på at farmasi her virker veldig mye mer populært enn fysikk og kjemi. 00:03:05.500 --> 00:03:12.700 Det kan godt hende det er det, men jeg tror ikke forskjellen er så stor. Jeg tror det har litt med apotekeffekten å gjøre også. 00:03:12.700 --> 00:03:17.600 Det samme kan vi kanskje se når vi sammenligner ord som "virus" og "bakterier". 00:03:17.600 --> 00:03:24.400 Jeg tror ikke det er så mange flere som er interessert i virus enn i bakterier. 00:03:24.400 --> 00:03:32.700 Den siste toppen her er nok reell, for den kommer våren 2020. Det var nok veldig mange som lurte på hva et biologisk virus var. 00:03:32.700 --> 00:03:41.200 Men at "virus" var mer populært enn "bakterie" i 2004 hadde kanskje mer med datavirus å gjøre enn med biologiske virus. 00:03:41.200 --> 00:03:52.800 Så bruk disse verktøyene med omhu. La oss gå til farmasøytisk forskning, som er det jeg skal snakke om. 00:03:52.800 --> 00:03:59.150 Hvordan kan vi måle trender i interesse innen farmasøytisk forskning? NOTE Treffsikkerhet: 90% (HØY) 00:03:59.150 --> 00:04:07.500 Jeg fant en artikkel hvor de har gått gjennom programmet på den store europeiske legemiddelkjemikonferansen – 00:04:07.500 --> 00:04:17.600 som arrangeres annet hvert år. Den første var vel rundt 1970. Den har ca. tusen deltagere. 00:04:17.600 --> 00:04:25.000 De har gått gjennom programmet for hovedforedrag, som det er ca. 100 av annet hvert år. 00:04:25.000 --> 00:04:32.400 De kan klassifiseres i forskjellige grupper basert på terapiområder eller andre typer klassifiseringer. 00:04:32.400 --> 00:04:43.100 I gjennomsnitt over de siste 50 årene er det fire terapiområder som står ut som interessante for legemiddelkjemikere. 00:04:43.100 --> 00:04:51.100 Det er sentralnervesystemet, infeksjoner, onkologi og kardiovaskulære sykdommer. 00:04:51.100 --> 00:05:01.200 Disse andre områdene har litt mindre andel av hovedforedragene som et snitt over disse femti årene. NOTE Treffsikkerhet: 91% (HØY) 00:05:01.200 --> 00:05:10.500 Det avspeiler både akademisk og industriell interesse for forskjellige områder innenfor farmasøytisk forskning. 00:05:10.500 --> 00:05:17.500 Den store bolken som er nesten en tredel av foredragene, og som ikke har fått navn, – 00:05:17.500 --> 00:05:24.000 inneholder alt det som har med teknologi å gjøre,altså metoder innen legemiddelkjemi. 00:05:24.000 --> 00:05:30.400 Det kan være nye metoder som presenteres for syntese, for analyse, – 00:05:30.400 --> 00:05:40.400 for struktur, aktivitetsbestemmelser og biologiske testmetoder for nye legemidler. 00:05:40.400 --> 00:05:50.800 Så nye teknologier har faktisk hatt den største plassen når det gjelder hovedforedrag over femti år. 00:05:50.800 --> 00:05:52.900 Men dette er gjennomsnitt. 00:05:52.900 --> 00:05:58.750 Så kan vi se på om noen av disse områdene har blitt større eller mindre på disse femti årene. NOTE Treffsikkerhet: 91% (HØY) 00:05:58.750 --> 00:06:12.600 De har plottet hvor stor andel de forskjellige områdene har over tid fra 1970 og fram til i dag. 00:06:12.600 --> 00:06:19.000 Man ser at det som går på teknologi har vært omtrent en tredel av foredragene hele tiden. 00:06:19.000 --> 00:06:24.000 Det har en liten dip på midten av 90-årene, men det har tatt seg kraftig opp igjen – 00:06:24.000 --> 00:06:31.900 med stadig nye og mer avanserte metoder, både innenfor syntese, analyse og uttesting. 00:06:31.900 --> 00:06:40.600 Terapiområdene har litt forskjellige trender. 00:06:40.600 --> 00:06:49.500 Foredrag om sentralnervesystemet og kardiovaskulære foredrag har hatt en nedadgående trend fra 1970 og fram til i dag. 00:06:49.500 --> 00:06:59.700 Hva skyldes det? For kardiovaskulære sykdommer er det nok reelt at i i alle fall den vestlige, betalingsvillige verden – NOTE Treffsikkerhet: 92% (HØY) 00:06:59.700 --> 00:07:04.400 har disse sykdommene egentlig hatt en avtagende trend. 00:07:04.400 --> 00:07:11.700 Det er færre som dør av kardiovaskulære sykdommer i dag enn det proporsjonalt var i 1970. 00:07:11.700 --> 00:07:16.900 Sentralnervesystemet er kanskje ikke blitt noe mindre medisinsk problem i disse femti årene. 00:07:16.900 --> 00:07:27.300 Det har vist seg stadig vanskeligere å få nye preparater fram til markedsføring på dette området. 00:07:27.300 --> 00:07:38.500 De høye barrierene mot registrering av nye legemidler på området har nok skremt bort både forskere i akademia og farmasøytiske bedrifter. 00:07:38.500 --> 00:07:44.500 Interessen for å se på legemidler innen området har falt. 00:07:44.500 --> 00:07:52.600 Et område som imidlertid har økt hele perioden fra nesten ingenting til å bli det dominerende terapifeltet er onkologi. 00:07:52.600 --> 00:07:59.950 Onkologi har jo eksplodert, ikke bare i antall foredrag på denne konferansen, – NOTE Treffsikkerhet: 92% (HØY) 00:07:59.950 --> 00:08:06.300 men også hvis vi ser på nyregistreringer av legemidler. 00:08:06.300 --> 00:08:17.300 Det går an å laste ned et excel-ark fra EMA som lister opp alle nyregistrerte legemidler fra de siste 25 årene ca. 00:08:17.300 --> 00:08:24.900 Alt er ikke nye substanser, det er registreringer. Det kan være gamle legemidler med nye indikasjoner. 00:08:24.900 --> 00:08:27.800 Det er ikke uttrykk for nye kjemiske substanser. 00:08:27.800 --> 00:08:38.400 Det er uttrykk for aktivitet innen de forskjellige terapiområdene. Da ser vi at både antiinfektiva, sentralnervesystemet, – 00:08:38.400 --> 00:08:49.400 og metabolske sykdommer har gått litt opp og ned, men utgjør en ganske stabil andel av nyregistrerte legemidler. 00:08:49.400 --> 00:08:55.500 For onkologi ser vi en svært oppadgående trend for de siste 25 år. 00:08:55.500 --> 00:09:00.650 Det er et resultat av all forskningen som har vært på området. NOTE Treffsikkerhet: 91% (HØY) 00:09:00.650 --> 00:09:10.400 Splitter vi antiinfektiva i nye undergrupper og ser hvilke antiinfektiva det er høy aktivitet på, – 00:09:10.400 --> 00:09:19.500 ser vi at det har relativt få nyregistreringer av antibakterielle midler de siste femti årene. 00:09:19.500 --> 00:09:25.400 Det er kanskje 2–3, og noen år er det ingen. 00:09:25.400 --> 00:09:34.000 For antiviralia er trenden annerledes. Vi ser også at vaksiner ligger høyere enn antibakterielle midler. 00:09:34.000 --> 00:09:48.500 Disse kurvene forteller grovt om trender innen legemiddelforskning, og registrering av nye legemidler som resultat av denne forskningen. 00:09:48.500 --> 00:10:00.650 Vi skal se litt nøyere på selve forskningen. Jeg skal fortelle om trender innen legemiddelkjemi. NOTE Treffsikkerhet: 90% (HØY) 00:10:00.650 --> 00:10:09.600 Jeg er ikke legemiddelkjemiker. Jeg kommer til å ta et eksempel jeg kjenner litt til fra tidligere. 00:10:09.600 --> 00:10:24.000 Jeg vil overlate til legemiddelkjemikere på hundreårsjubileet å ta et dypere dykk i spesielt den høyre delen av dette skjemaet. 00:10:24.000 --> 00:10:37.200 De siste årene er en gjennomgående trend, ikke bare innenfor kjemi, men også mange andre realfag, økt bruk av kunstig intelligens. 00:10:37.200 --> 00:10:44.500 Det er et gjennomgående tema. Det ser man innen både biologi og kjemi. 00:10:44.500 --> 00:10:51.900 På mange måter egner kjemi seg mer for bruk av kunstig intelligens og modellering enn biologi gjør. 00:10:51.900 --> 00:10:58.600 Ofte er det færre komponenter i et kjemisk system enn i et biologisk. NOTE Treffsikkerhet: 93% (HØY) 00:10:58.600 --> 00:11:05.400 På mange måter egner det seg bedre for modellering enn biologi gjør. Det har kjemikerne dratt veldig nytte av. 00:11:05.400 --> 00:11:16.400 Det har skjedd veldig mye på bruk av kunstig intelligens både innen ligandbasert og strukturbasert legemiddeldesign. 00:11:16.400 --> 00:11:31.200 Det eksemplet jeg kommer til å trekke fram, er innen modellering av targets for legemiddel, først og fremst proteinmodellering. 00:11:31.200 --> 00:11:40.700 Når du skal utvikle et nytt ligandbasert legemiddel, har du en eller annen biologisk prosess. 00:11:40.700 --> 00:11:47.300 Du vet om noen lavmolkylære substanser som kan hemme eller akselerere denne prosessen. 00:11:47.300 --> 00:11:55.100 Du er på jakt etter andre, for eksempel patenterbare nye substanser som ligner på de som allerede finnes – 00:11:55.100 --> 00:12:00.500 og som kan tenkes å interagere med det biologiske målmolekylet eller denne prosessen. NOTE Treffsikkerhet: 92% (HØY) 00:12:00.500 --> 00:12:10.800 Det er da ligandbasert legemiddeldesign. I den strukturbaserte kjenner du den tredimensjonale strukturen av målmolekylet – 00:12:10.800 --> 00:12:14.600 som du ønsker å hemme eller aktivere med et legemiddel. 00:12:14.600 --> 00:12:26.000 Du søker da i det kjemiske rommet etter forbindelser som kan tenkes å passe i et sånt aktivt sete. 00:12:26.000 --> 00:12:34.300 Da trenger man å gjøre strukturprediksjoner, strukturbestemmelser av proteiner, først og fremst. 00:12:34.300 --> 00:12:42.700 Man kan kanskje tro at det er noe nytt at man bruker computere for å bestemme proteiners struktur. 00:12:42.700 --> 00:12:54.500 Det er det selvfølgelig ikke. Allerede i 1988 kom en artikkel hvor det sto at computeren er "drug design's new mortar og pestle". 00:12:54.500 --> 00:12:59.950 Det var det nye verktøyet for å framstille nye legemidler. NOTE Treffsikkerhet: 89% (HØY) 00:12:59.950 --> 00:13:05.500 Grunnen til at man skrev om det allerede den gangen, var at på åttitallet kom det jo ... 00:13:05.500 --> 00:13:15.900 Altså, proteiner brukte man å krystallisere på 70-tallet, men man hadde ikke noen gode måter å visualisere de på. 00:13:15.900 --> 00:13:25.300 Det kom først på åttitallet, da det ble mer vanlig med computere. Da jeg begynte i Tromsø i 1986, gikk jeg forbi et bøttekott borte i gangen. 00:13:25.300 --> 00:13:30.100 Der satt det en kar med en svær grå fjernsynsskjerm og stirra på den. 00:13:30.100 --> 00:13:37.800 Det var noen molekyler som virra fram og tilbake. Det var vel Svein Dahl, tror jeg. Jeg spurte hva han holdt på med. 00:13:37.800 --> 00:13:46.600 "Nei, det er fjernsynsfarmakologi", sa han. Han hadde fått støtte. Han var ganske tidlig ute med å bruke slike moderne metoder. 00:13:46.600 --> 00:13:53.400 Jeg tror han drev med dopaminreseptorer. Han modellerte og så nøye på struktur og prøvde å finne – 00:13:53.400 --> 00:13:58.250 ligander som kunne tenkes å hemme disse proteinene. NOTE Treffsikkerhet: 89% (HØY) 00:13:58.250 --> 00:13:07.100 Så selve teknologien, det å bruke strukturen i et aktivt sete for å finne potensielle ligander, er ikke ny. 00:13:07.100 --> 00:14:15.700 Men den har helt klart utviklet seg veldig siden Svein Dahl satt med sin computer i det lille laboratoriet, hvis man kan kalle det det. 00:14:15.700 --> 00:14:24.400 Det har vært et aktivt forskningsområde. En stund trodde farmasøytiske selskaper at bare man hadde den tredimensjonale strukturen – 00:14:24.400 --> 00:14:33.500 på et målmolekyl, ville det være enkelt å designe et legemiddel som ville passe godt nok i det setet. 00:14:33.500 --> 00:14:44.400 Der har det vært ganske mange skuffelser, tror jeg. De få gode historiene er fra 90-tallet – 00:14:44.400 --> 00:14:53.500 hvor man brukte strukturen på et par virusenzymer, ett fra HIV og ett fra influensa. Man klarte å skape nye legemidler som passet – 00:14:53.500 --> 00:15:01.450 i det aktive setet på disse to virusproteinene. Det var vel IM-proteasen og nevraminidasen fra influensa. NOTE Treffsikkerhet: 91% (HØY) 00:15:01.450 --> 00:15:06.900 Men det har ikke vært så veldig mange eksempler på at bare du kjenner det aktive setet – 00:15:06.900 --> 00:15:14.300 kan du lett finne et legemiddel som passer det og hemmer dette molekylet. Det har vært en lang vei. 00:15:14.300 --> 00:15:20.100 Hvorfor har ikke det vært lett? Det har rett og slett vært fordi de modellene man har av disse proteinene – 00:15:20.100 --> 00:15:27.700 med sine aktive seter ikke er presis nok. Det skal veldig små feil til i denne geometrien – 00:15:27.700 --> 00:15:33.900 før en ligand ikke binder godt nok til å brukes som et legemiddel. 00:15:33.900 --> 00:15:39.400 Metodikken har rett og slett ikke vært god nok. Hvordan kan man forbedre denne metodikken? 00:15:39.400 --> 00:15:49.900 Mange som er interesserte i proteinstruktur, men ikke har råd til å gjøre arbeidet med å krystallisere sine egne proteiner – 00:15:49.900 --> 00:15:56.600 eller ikke har teknologien eller erfaringen, forsøker seg på noe som heter homologimodellering. NOTE Treffsikkerhet: 92% (HØY) 00:15:56.600 --> 00:16:05.600 Det finnes databaser med veldig mange ferdig krystalliserte proteiner. Hvis man har et protein som ligner i sekvens på noe – 00:16:05.600 --> 00:16:13.700 som allerede er krystallisert, kan man laste opp dette på sikkert 20–30 nettsteder rundt omkring i verden. 00:16:13.700 --> 00:16:19.600 Man kan laste opp en sekvens, og i løpet av noen sekunder eller minutter få tilbake en utregnet modell – 00:16:19.600 --> 00:16:33.000 for hvordan ditt protein ser ut, basert på lignende proteiners krystallstruktur. Det er mange som har drevet med dette. 00:16:33.000 --> 00:16:38.700 Annet hvert år er det en konkurranse mellom alle disse akademiske miljøene – 00:16:38.700 --> 00:16:42.500 i å lage det best mulige homologimodelleringsprogrammet. 00:16:42.500 --> 00:16:48.500 Denne konkurransen heter CASP (Critical Assessment of protein Structure Prediction). 00:16:48.500 --> 00:16:59.400 Det fungerer slik at at det er en komité som som tar mot krystallstrukturer for et antall proteiner, la oss si 50–100. NOTE Treffsikkerhet: 91% (HØY) 00:16:59.400 --> 00:17:07.599 Før krystallstrukturen publiseres, sender de ut sekvensene på disse – 00:17:07.599 --> 00:17:15.500 proteinene til laboratoriene som gjerne vil være med i CASP og konkurrere om å ha det beste prediksjonsprogrammet. 00:17:15.500 --> 00:18:22.500 De får noen måneder på seg til å bruke disse sekvensene for å modellere tredimensjonal struktur. 00:18:22.500 --> 00:17:35.000 Så møtes de annet hvert år for å evaluere hvor nær denne modellen var til den aktuelle krystallbestemte strukturen. 00:17:35.000 --> 00:17:41.600 Man får en score ut fra hvor nært man er med sin modellering. 00:17:41.600 --> 00:17:49.600 Dette har akademiske labber drevet med annet hvert år siden 1994. Modellene blir stadig bedre. 00:17:49.600 --> 00:17:58.400 Man kommer stadig nærmere den faktiske strukturen på disse proteinene. NOTE Treffsikkerhet: 93% (HØY) 00:17:58.400 --> 00:18:07.800 I 2018 meldte en ny konkurrent seg på. Det var et firma som heter DeepMind. 00:18:07.800 --> 00:18:15.800 De hadde inntil da brukt mest tid på å lage algoritmer for gjenkjenning av bilder, tekst og språk. 00:18:15.800 --> 00:18:20.900 De var veldig dyktige, så de ble selvfølgelig kjøpt opp av Google etter hvert. 00:18:20.900 --> 00:18:31.000 De fikk hele tyngden av Google i ryggen når det gjaldt å lage nye algoritmer for å predikere proteinstrukturer. 00:18:31.000 --> 00:18:38.300 De tok i mot og meldte seg på konkurransen. De vant første gang de var med, med god margin. 00:18:38.300 --> 00:18:43.400 De slo alle de akademiske labbene langt ned i støvlene. 00:18:43.400 --> 00:18:53.400 De kunne bruke teknologien de hadde utviklet over mange år til helt andre applikasjoner. Det fungerte utmerket på å predikere proteinstruktur. 00:18:53.400 --> 00:19:03.300 De hadde trent opp programmet på de nesten 200 000 proteinstrukturene som allerede ligger i databasen. NOTE Treffsikkerhet: 91% (HØY) 00:19:03.300 --> 00:19:11.000 De var med igjen i 2020, og da gikk det enda bedre. 00:19:11.000 --> 00:19:19.800 AlphaFold 2, som programmet heter, begynner nå å nærmer seg en presisjon – 00:19:19.800 --> 00:19:27.200 som er i nærheten av det du kan oppnå med en ordentlig krystallbestemmelse av proteinstruktur. 00:19:27.200 --> 00:19:34.400 De begynner å bli nesten like gode til å predikere struktur fra bare algoritmer i en datamaskin – 00:19:34.400 --> 00:19:42.700 som en kjemisk krystallstruktur kan bestemme ved røntgendiffraksjon. Det er ganske imponerende. 00:19:42.700 --> 00:19:49.800 Dette ble lagt merke til i forskjellige media. Det var en stor artikkel i New York Times – 00:19:49.800 --> 00:19:59.900 etter den første CASP-konferansen da DeepMind vant. De skrev blant annet at man ikke tror at maskinene vil erstatte kjemikerne. NOTE Treffsikkerhet: 91% (HØY) 00:19:59.900 --> 00:20:05.100 Men de tror det vil være lurt av kjemikere å begynne å ta i bruk dette verktøyet i sitt arbeid. 00:20:05.100 --> 00:20:09.300 Ellers vil de kanskje bli erstattet av kjemikere som gjør det. 00:20:09.300 --> 00:20:18.100 Det var også et lite stikk til farmasøytisk industri der, hvor de mener at lederne i farmasøytisk industri – 00:20:18.100 --> 00:20:26.300 kanskje har sovet litt i timen når det gjelder å følge med på hvordan kunstig – 00:20:26.300 --> 00:20:32.300 intelligens kan brukes til å bestemme struktur på mulige nye legemiddeltargets. 00:20:32.300 --> 00:20:37.500 AlphaFold er basert i dette firmaet. 00:20:37.500 --> 00:20:45.600 De har etablert et nettsted og de har store ambisjoner. De har jo vunnet disse konkurransene to ganger nå. 00:20:45.600 --> 00:20:54.000 De har ambisjoner om å lage en database hvor de har modellert alle publiserte proteinstrukturer. 00:20:54.000 --> 00:20:59.250 Over hundre millioner proteiner ligger i databasen, og det skal de lage homologimodeller for. NOTE Treffsikkerhet: 92% (HØY) 00:20:59.250 --> 00:21:07.200 De har allerede laget for de vanligste modellorganismene. 00:21:07.200 --> 00:21:15.400 I tillegg til menneske har de tatt flere planter, bakterier, bananfluer, sebrafisk, rotter, mus og så videre. 00:21:15.400 --> 00:21:22.800 De har sett på alle proteinene som disse forskjellige artene har kodet for i sitt genom. 00:21:22.800 --> 00:21:30.700 De har laget homologimodeller med mer eller mindre god presisjon for alle disse proteinene. Man trenger ikke gjøre det selv. 00:21:30.700 --> 00:21:36.600 Man kan bare laste ned homologimodeller for tusenvis av proteiner hvis man er interessert i – 00:21:36.600 --> 00:21:47.000 hvordan proteinene ser ut i mennesket eller en eller annen modellorganisme som man måtte arbeide med. 00:21:47.000 --> 00:21:59.300 Ganske flott tjeneste, synes jeg. Det ville tatt mye tid å lage 24 000 krystallstrukturer eller homologimodeller for alle sebrafiskproteinene. NOTE Treffsikkerhet: 90% (HØY) 00:21:59.300 --> 00:22:08.700 Det var ett eksempel på bruk av kunstig intelligens i strukturmodellering av proteiner. 00:22:08.700 --> 00:22:16.800 Kunstig intelligens brukes også til andre ting. Screening er et stort fagfelt innen legemiddelutvikling. 00:22:16.800 --> 00:22:25.300 Når du har identifisert en eller annen sykdomsprosess, du vet hvilket protein det er for mye eller for lite av – 00:22:25.300 --> 00:22:29.700 eller hvilket protein som har mutert ved en eller annen sykdom, starter jakten – 00:22:29.700 --> 00:22:37.800 for å finne et eller annet kjemisk stoff som tilfredsstiller alle kriterier for å bli et godt legemiddel. 00:22:37.800 --> 00:22:48.400 Det kan du forsøke å hemme dette proteinet med. Å etablere et biologisk assay for å måle – 00:22:48.400 --> 00:22:56.400 om du kan påvirke et enzym, for eksempel, kan gå relativt fort å gjøre på labben. 00:22:56.400 --> 00:23:00.250 Man finner et målsystem for å måle aktiviteten i et protein. NOTE Treffsikkerhet: 91% (HØY) 00:23:00.250 --> 00:23:11.000 Det som ofte tar veldig lang tid, og som screeningen kan butte på, er at du ofte må miniatyrisere assayet ditt. 00:23:11.000 --> 00:23:16.100 Du kan ikke jobbe med 10 millioner celler for å måle en biologisk aktivitet. 00:23:16.100 --> 00:23:20.600 Du må nedskalere sånn at du kan teste mange ting. 00:23:20.600 --> 00:23:28.400 Miniatyriseringen av screeningprosessen kan ta veldig lang tid. Med en gang du kommer ned i et lite antall celler – 00:23:28.400 --> 00:23:34.900 er det ikke lenger nok aktivitet til å måle noe som helst. Det er ikke følsomt nok. 00:23:34.900 --> 00:23:40.100 Dette opplevde en forskningsgruppe i Utah for noen år siden. De klarte ikke å måle en prosess biokjemisk. 00:23:40.100 --> 00:23:48.700 De tenkte: hva med å bare se på cellene? Når dette proteinet var mutert, observerte de at cellene hadde en litt annen morfologi. 00:23:48.700 --> 00:23:52.500 Det går an å farge celler med forskjellige fargestoffer. 00:23:52.500 --> 00:23:59.200 Det finnes spesifikke fargestoffer som fluoriserer i forskjellige bølgelengder. NOTE Treffsikkerhet: 92% (HØY) 00:23:59.200 --> 00:24:08.000 En og samme cellelinje kan du farge for kjerne, for NER, for nukleoli, for golgi, for mitokondrier. 00:24:08.000 --> 00:24:11.400 Du får forskjellig farge på de forskjellige strukturene. 00:24:11.400 --> 00:24:19.700 Hvordan skal man se forskjell på celler hvor en eller annen prosess er inhibert eller aktivert? 00:24:19.700 --> 00:24:31.100 Det de gjorde, var å ta en human cellelinje. Så slo de ned over 1000 forskjellige proteiner som er sentrale i veldig mange signalveier i cellen. 00:24:31.100 --> 00:24:41.300 Det gjorde de med assay-RNA eller CRISPR. Det gav tusen forskjellige cellelinjer med en eller annen defekt i en interessant signalvei. 00:24:41.300 --> 00:24:47.100 Så tok de masse bilder av disse cellene. 00:24:47.100 --> 00:24:55.000 Så kom den vanskelige biten: å analysere disse bildene. Hvordan kan du se på en celle som er farget – 00:24:55.000 --> 00:25:02.000 med seks forskjellige fargestoff, at akkurat en eller annen MAP-kinase er aktivert eller redusert, – NOTE Treffsikkerhet: 91% (HØY) 00:25:02.000 --> 00:25:06.800 eller at en tyrosinkinase er inhibert. 00:25:06.800 --> 00:25:17.800 Da må man selvfølgelig trene programmet. De tok millioner av bilder av celler hvor forskjellige signalveier var hemmet eller aktivert. 00:25:17.800 --> 00:25:26.400 De sendte alle bildene til et sted som heter Kaggle. 00:25:26.400 --> 00:25:32.500 Jeg er ikke helt sikker på hvem som driver dette nettstedet. Men de har konkurranse i maskinlæring. 00:25:32.500 --> 00:25:40.400 Dit er det mange som sender datasettene sine. Man kan melde seg på konkurranser. 00:25:40.400 --> 00:25:51.100 Man kan laste ned 50 GB med bilder fra dette firmaet, bilder av celler som er forstyrret i en eller annen signalvei. 00:25:51.100 --> 000:25:59.150 På høyresiden står det hvilken signalvei som er forstyrret og hvilket gen som er slått ned for halvparten av bildene. NOTE Treffsikkerhet: 90% (HØY) 00:25:59.150 --> 00:26:04.500 Du har en halv million bilder hvor du vet svaret, og en halv million bilder hvor du ikke vet svaret. 00:26:04.500 --> 00:26:08.300 Der har de fjernet hva de egentlig gjort med de cellene. 00:26:08.300 --> 00:26:16.500 Så lager man maskinlæringsalgoritmer, og trener på den halve millionen av bilder hvor de vet hva som er feil. 00:26:16.500 --> 00:26:24.900 Så appliseres algoritmen på bildene hvor man ikke vet hvilket gen som er slått ut. 00:26:24.900 --> 00:26:29.600 Hvis du er god til det, kan du vinne 13 000 dollar i denne konkurransen. 00:26:29.600 --> 00:26:41.900 Det sendes fritt ut, og det er mange som deltar, fra matematikkprofessorer, selvfølgelig, til ingeniørstudenter. 00:26:41.900 --> 00:26:47.900 Han som vant denne konkurransen tror jeg var en ingeniørstudent fra Polen. 00:26:47.900 --> 00:26:58.800 Han kunne predikere med 99,7 prosent treffsikkerhet hvilken signalvei som var slått ned i de cellene hvor svaret var ukjent. NOTE Treffsikkerhet: 90% (HØY) 00:26:58.800 --> 00:27:07.100 Han hadde altså en treffprosent på 99,7 ved bare å analysere fluoriserende bilder av celler. 00:27:07.100 --> 00:27:14.500 Han kunne si at den signalveien mangler der, og den signalveien mangler der, basert på de treningsdataene. 00:27:14.500 --> 00:27:22.300 Det er ganske imponerende. Så kan man lure på om legemiddelindustrien kan overlate dette til en slik amatørkonkurranse. 00:27:22.300 --> 00:27:28.400 Kaggle er jo en helt åpen konkurranse hvor hvem som helst kan melde seg på. 00:27:28.400 --> 00:27:34.400 All programvare er åpent tilgjengelig, så man kan gå inn og se hva algoritmen er basert på. 00:27:34.400 --> 00:27:41.400 Kan man virkelig overlate til et sånt sted og basere en hel bedrift på en algoritme – 00:27:41.400 --> 00:27:47.500 utviklet av en ingeniørstudent i Polen som fikk 13 000 dollar for jobben? 00:27:47.500 --> 00:27:54.900 Ja, det tror jeg man kan. Ta en seriøs aktør som Homeland Security, for eksempel. NOTE Treffsikkerhet: 90% (HØY) 00:27:54.900 --> 00:28:00.900 Når man går med bagasjen gjennom sikkerhetssjekken, – 00:28:00.900 --> 00:28:10.600 satt det i gamle dager et par karer der, som sendte kofferten gjennom røntgenboksen. 00:28:10.600 --> 00:28:18.900 Hvis ikke det så ut som det var lange kniver eller stoler i røntgenboksen, tok de likevel stikkprøver noen ganger. 00:28:18.900 --> 00:28:31.500 De stikkprøvene er basert på bildet de har av de personene som legger kofferten på dette båndet. 00:28:31.500 --> 00:28:37.200 Dette skjedde lenge før 9/11, på begynnelsen av nittitallet. 00:28:37.200 --> 00:28:42.400 De har stereotypier som de tenker at de må sjekke. Da jeg var på min første konferanse i Amerika – 00:28:42.400 --> 00:28:48.800 reiste jeg sammen med en annen stipendiat. Jeg hadde kort hår, han hadde langt. Vi gikk gjennom mange sånne kontroller. 00:28:48.800 --> 00:28:54.800 I hver eneste kontroll ble hans koffert plukket ut og han måtte gå gjennom alt. 00:28:54.800 --> 00:29:00.200 Den eneste forskjellen på to unge gutter fra Norge var at den ene hadde langt hår, den andre kort. NOTE Treffsikkerhet: 92% (HØY) 00:29:00.200 --> 00:29:06.600 Hver gang kunne jeg bare gå rett forbi, mens han ble plukket ut og måtte vrenge kofferten sin. 00:29:06.600 --> 00:29:14.600 Det var basert på det bildet som de folka som satt i kontrollen hadde, helt manuelt, av hvilke personer som skulle kontrolleres eller ikke. 00:29:14.600 --> 00:29:19.800 I dag gjør man dette maskinelt. 00:29:19.800 --> 00:29:30.200 Det lyser en rød lampe når en person har gått forbi et kamera. Kofferten har gått gjennom, men de ønsker likevel å sjekke den. 00:29:30.200 --> 00:29:35.600 Det er basert på sånne bildegjenkjenningsprogrammer. 00:29:35.600 --> 00:29:41.100 Homeland Security trengte et godt maskinlæringsprogram, så de sendte millioner av bilder til Kaggle. 00:29:41.100 --> 00:29:49.500 De ba dem identifisere hvilke kofferter som skal sjekkes nøyere eller ikke. Det blir jo veldig mange falske positive. 00:29:49.500 --> 00:29:56.600 Det skjer nesten aldri at de finner en pistol eller en kniv i en koffert som allerede har gått gjennom. NOTE Treffsikkerhet: 91% (HØY) 00:29:56.600 --> 00:30:06.600 Det er samme type tankegang: i et bilde kan du detektere signaler. 00:30:06.600 --> 00:30:14.800 Det er basert på akkurat de samme algoritmene som detekterer effekter av proteiner som er slått ned i cellene. 00:30:14.800 --> 00:30:28.100 Å utvikle legemidler har blitt dyrt. Noen har estimert at det koster 26 milliarder kroner å få et nytt legemiddel på markedet. 00:30:28.100 --> 00:30:35.700 Det er det samme som 5, eller er det 2, Life Science-bygg. Jeg vet ikke helt, jeg har hørt at prisen har gått opp ganske mye i det siste. 00:30:35.700 --> 00:30:40.100 Det er i alle fall veldig veldig dyrt å få registrert et nytt legemiddel. 00:30:40.100 --> 00:30:48.300 Det må være veldig mye bedre, når man har en sykdomsprosess, å se om vi kan bruke et legemiddel som allerede finnes. 00:30:48.300 --> 00:30:59.000 Det har jo gått gjennom veldig mange flaskehalser allerede. Det kalles i dag repurposing – gjenbruk av legemidler. NOTE Treffsikkerhet: 91% (HØY) 00:30:59.000 --> 00:31:07.800 En farmakolog som fikk Nobelprisen tilbake på 70-80 tallet, mente at den mest effektive – 00:31:07.800 --> 00:31:12.800 måten å finne nye legemidler på er å starte med et allerede eksisterende legemiddel. 00:31:12.800 --> 00:31:17.000 Hvordan gjør man det? Jo, hvis man har en sykdomsprosess, – 00:31:17.000 --> 00:31:22.000 et nytt patogen, et virus for eksempel, som man ønsker å se om man kan hemme replikasjonen av, – 00:31:22.000 --> 00:31:32.400 tar man en telefon til et eller annet firma og bestiller de 3000 virkestoffene som allerede er FDA-godkjent som legemidler. 00:31:32.400 --> 00:31:43.800 Så ser man om noen av de eksisterende legemidlene virker på dette viruset eller denne bakterien eller den prosessen man er interessert i. 00:31:43.800 --> 00:31:50.400 Man gjør screeningforsøk i labben. Men det finnes også en annen måte å gå gjennom dette på. 00:31:50.400 --> 00:31:59.950 Det er naturlig å velge SARS-CoV-2-viruset. Mange farmasøytiske bedrifter og akademiske labber har kastet seg over dette viruset. NOTE Treffsikkerhet: 92% (HØY) 00:31:59.950 --> 00:32:10.900 Bare noen uker eller måneder etter at viruset først ble beskrevet, hadde man ganske god oversikt over genetikken og proteomikken til det. 00:32:10.900 --> 00:32:17.600 Man visste hvilke hvilke proteiner dette viruset produserte når det infiserte en celle. 00:32:17.600 --> 00:32:22.800 Hvordan kan man finne inhibitorer for noen av disse proteinene? 00:32:22.800 --> 00:32:32.900 Noe annet som også er interessant å studere når man skal hemme virus, er om det finnes det cellulære proteiner som dette viruset er avhengig av. 00:32:32.900 --> 00:32:37.600 De kan man forsøke å hemme og på den måten å hemme replikasjon. 00:32:37.600 --> 00:32:49.800 For å finne ut av det, var det en gruppe som uttrykte alle de forskjellige virusproteinene, 26 stykker i en cellelinje. 00:32:49.800 --> 00:32:57.000 De hadde ordnet det slik at alle disse proteinene, når de ble uttrykt i cellene, hadde en liten tag på seg, – 00:32:57.000 --> 00:33:04.500 en streptavidin-tag, som er et slags lite håndtak du kan sette på et protein. Når de uttrykte dette i HEK-celler, – 00:33:04.500 --> 00:33:11.700 vil disse virusproteinene som på en måte har partnere blant de humane proteinene som uttrykkes i disse cellene, – 00:33:11.700 --> 00:33:15.700 assosieres med hverandre inne i cellen. 00:33:15.700 --> 00:33:21.900 Så kan du trekke ut alle virusproteiner med en avidin-trap som trekker ut alle – 00:33:21.900 --> 00:33:27.900 proteiner som har streptavidin på seg, og da følger de humane proteinene med. 00:33:27.900 --> 00:33:35.600 Man kan se på interaktomet til alle SARS-virusets proteiner i en celle. 00:33:35.600 --> 00:33:42.700 Så kan du bare gjøre en MS-analyse for å se hvilke humane proteiner var det som fulgte med når vi trakk ut disse 26 virusproteinene. 00:33:42.700 --> 00:33:50.900 De fant at det var 332 humane proteiner som fulgte med disse 26, – 00:33:50.900 --> 00:33:56.500 litt mer enn 10 humane proteiner per virusprotein. NOTE Treffsikkerhet: 92% (HØY) 00:33:56.500 --> 00:34:04.900 Noen av disse er på en måte bare tilfeldig med, og det har ikke noen funksjonell konsekvens at de blir trukket ut. 00:34:04.900 --> 00:34:13.900 Andre er kanskje proteiner som viruset er helt avhengig av i sin replikasjon i humane celler. 00:34:13.900 --> 00:34:20.100 Man kan analysere dette opp og ned, men det viktigste er at vi kan lage et interaksjonskart. 00:34:20.100 --> 00:34:28.199 Og så kan vi se: Finnes det allerede legemidler mot noen av de proteinene som viruset er avhengig av for sin replikasjon? 00:34:28.199 --> 00:34:39.400 Ja, det finnes det. Alt som står i grønt – disse røde er virusproteiner som interagerer med forskjellige humane proteiner – 00:34:39.400 --> 00:34:44.900 for noen av disse humane proteinene finnes det allerede registrerte legemidler. 00:34:44.900 --> 00:34:50.650 Det betyr at det er et naturlig sted å starte, for hvis du hemmer noen av disse humanproteinene, – 00:34:50.650 --> 00:34:58.650 kan det påvirke virusets replikasjon og på den måten brukes i behandling av de mest syke. NOTE Treffsikkerhet: 91% (HØY) 00:34:58.650 --> 00:35:07.650 Basert på dette er man allerede i gang med å teste ut en god del – 00:35:07.650 --> 00:35:14.000 registrerte legemidler i behandling av covid-19-syke, først og fremst de mest alvorlig syke. 00:35:14.000 --> 00:35:23.000 Vi vet allerede at dexamethasone fungerer bra på en del pasienter, og remdesivir har også blitt brukt på en del pasienter. 00:35:23.000 --> 00:35:27.500 Det ser ut som man må komme ganske tidlig inn med det om det skal ha en effekt. 00:35:27.500 --> 00:35:36.500 Likevel har man ganske raskt kommet fram til en del behandlingsregimer som er basert på allerede utprøvde og registrerte legemidler. 00:35:36.500 --> 00:35:44.800 Slik kan man fortsette å ta inn informasjon, ikke bare fra sånn protein-protein-interaksjonsforsøk, – 00:35:44.800 --> 00:35:55.600 man kan også samle informasjon fra litteratur, fra hvor dette viruset er i cellen, hvordan det oppfører seg i dyremodeller. 00:35:55.600 --> 00:36:08.400 Så kan man destillere dette ned til et langt lavere antall mulige kandidater som det er nødvendig å teste ut i dyreforsøk eller i kliniske utprøvinger. 00:36:08.400 --> 00:36:16.700 Ved å sy sammen store datamengder, kan man komme mye raskere fram til målet. 00:36:16.700 --> 00:36:24.400 Det var litt om kunstig intelligens og bruken av det i utviklingen av legemidler. 00:36:24.400 --> 00:36:36.500 Nye og mer effektive metoder for å få tak i sekvensinformasjon har også vært veldig viktig i medisinen de siste årene. 00:36:36.500 --> 00:36:45.800 Man har i lang tid hatt muligheter for å assosiere for eksempel sykdommer med genetiske markører. 00:36:45.800 --> 00:36:55.600 Men da har man ofte vært avhengig av restriksjonskart eller PCR av kjente markører. NOTE Treffsikkerhet: 92% (HØY) 00:36:55.600 --> 00:37:01.600 Nå kan man sekvensere hele genomet, og så kan man prøve å korrelere det – 00:37:01.600 --> 00:37:09.400 til enten hvor mottagelig du er for sykdom eller hvor syk du blir av for eksempel en covid-19-infeksjon. 00:37:09.400 --> 00:37:145.500 Her er en artikkel som har gått gjennom sekvensinformasjon for nesten 200 000 mennesker. 00:37:15.500 --> 00:37:24.600 Man har prøvd å korrelere det opp mot enten om de har blitt smittet eller ikke, eller hvor syke de har blitt. 00:37:24.600 --> 00:37:30.400 Da kan man lage et sånt kart som viser alle de humane kromosomene. 00:37:30.400 --> 00:37:39.300 Så kan man se om det er noen signaler der. Er det noen allele-typer som er overrepresentert, – 00:37:39.300 --> 00:37:498.700 enten blant de som havner på sykehus med covid-infeksjon eller blant de som er mottagelige for sykdommen. 00:37:48.700 --> 00:37:54.400 Man kan plassere disse markørene på forskjellige steder i de humane kromosomene. NOTE Treffsikkerhet: 91% (HØY) 00:37:54.400 --> 00:38:04.600 Så kan man se hvor de har mutasjonen som gjør dem mer mottagelige eller gjør dem mer alvorlig syke. 00:38:04.600 --> 00:38:16.300 Man har ganske raskt kommet fram til en god del sånne risikogener for å bli alvorlig syk av dette viruset. 00:38:16.300 --> 00:38:30.100 Vi ser at noen, for eksempel en tyrosinkinase eller en interferon-reseptor, øker risikoen for at du havner på sykehus ganske dramatisk. 00:38:30.100 --> 00:38:39.200 Det er også et eksempel på ny bruk. DNA-sekvenser er ikke noe nytt – 00:38:39.200 --> 00:38:52.700 men evnen til å samle store mengder er på full fart inn i bruken av genomdata i behandling av pasienter. 00:38:52.700 --> 00:38:56.750 Til slutt et par ord om vaksiner. NOTE Treffsikkerhet: 91% (HØY) 00:38:56.750 --> 00:39:03.700 De siste to årene har på mange måter vært en veldig vanskelig tid for de fleste. 00:39:03.700 --> 00:39:11.700 Men de har også vist hvilken enorm innovasjonskraft som ligger i både akademiske og – 00:39:11.700 --> 00:39:20.600 industrielle miljøer for å komme fram til løsninger på det sykdomsproblemet som covid-19 har vært. 00:39:20.600 --> 00:39:24.900 Det har vært en stor aktivitet, både på terapeutika, – 00:39:24.900 --> 00:39:31.500 men ikke minst på vaksinefronten. Denne oppdateringen fra WHO er bare noen dager gammel. 00:39:31.500 --> 00:39:40.600 De følger nøye med, og dette er fra tirsdag. Vi ser at det nå er 126 vaksiner i klinisk utprøving mot covid-19. 00:39:40.600 --> 00:39:47.700 Det er altså halvannet år etter at dette ble anerkjent som en pandemi. 00:39:47.700 --> 00:39:54.400 Jeg synes det er ganske utrolig at det er så mange forskjellige vaksiner i klinisk utprøvning. 00:39:54.400 --> 00:40:03.750 Hvordan er det mulig? Det er selvfølgelig fordi forskningen som ligger bak både vaksinene og de plattformene som vaksinene er basert på – 00:40:03.750 --> 00:40:09.500 har gått over veldig lang tid. Fordelt på forskjellige typer plattformer ser vi – 00:40:09.500 --> 00:40:16.500 at for eksempel mRNA-vaksiner, som jo ingen hadde hørt om før covid-19-pandemien, – 00:40:16.500 --> 00:40:27.100 er det nå 59 forskjellige kandidater av i enten preklinisk eller klinisk utprøving. 00:40:27.100 --> 00:40:34.900 Denne pandemien har utløst en enorm aktivitet når det gjelder farmasøytisk forskning og vaksineutvikling i særdeleshet. 00:40:34.900 --> 00:40:38.200 Hvordan kunne det gå så fort? 00:40:38.200 --> 00:40:46.300 Plattformene for både mRNA-vaksinene og mange rekombinante virusvaksiner, hvor du fikler litt med noen virus som gjør at – 00:40:46.300 --> 00:40:56.000 de ser ut som covid på utsiden, men er et ufarlig virus på innsiden, alle disse plattformene har vært utviklet siden åttitallet. 00:40:56.000 --> 00:40:58.200 Mange dyrestudier har vist god effekt. NOTE Treffsikkerhet: 93% (HØY) 00:40:58.200 --> 00:41:10.200 Under ebolaepidemien for 5–6 år siden kunne man nærmest bare ta opp en sånn vaksine fra skuffen og sette i gang med klinisk utprøvning. 00:41:10.200 --> 00:41:16.200 Den hadde ligget klar i ti år og var ferdig testet ut i dyremodeller. 00:41:16.200 --> 00:41:21.000 Det var bare å ta den opp og sette i gang under ebolaepidemien. 00:41:21.000 --> 00:41:27.900 Under ebolaepidemien fikk man også lagt opp en del spor som har vært veldig nyttige i denne pandemien. 00:41:27.900 --> 00:41:38.500 Integrering av prekliniske data, at man standardiserer alt som forskerne rundt på universitetene har gjort i studier av disse vaksinene, – 00:41:38.500 --> 00:41:47.600 må inn i et system for at vaksinen skal bli godkjent av legemiddelmyndighetene. 00:41:47.600 --> 00:41:54.300 Under ebolaepidemien var man veldig opptatt av å strømlinjeforme dette sånn at ting skulle gå fort. 00:41:54.300 --> 00:42:00.700 Man fikk også til dette med privat og offentlig finansiering av vaksiner og legemidler. NOTE Treffsikkerhet: 92% (HØY) 00:42:00.700 --> 00:42:07.700 Det var også en slags ny situasjon fordi det som skjedde den gangen, var veldig akutt. 00:42:07.700 --> 00:42:13.300 Man hadde da gått opp en del spor som man bare kunne følge i denne nye pandemien. 00:42:13.300 --> 00:42:24.400 Deling av data var veldig utbredt under ebolaepidemien. Det har også vært total deling av alle forskningsdata når det gjelder covid-19. 00:42:24.400 --> 00:42:31.200 Man har fått mere effektive måter å gjennomføre både kliniske studier og spesielt den regulatoriske prosessen. 00:42:31.200 --> 00:42:37.200 Man ikke må få godkjennelse i fase 1, fase 2, fase 3 osv. i sekvens. 00:42:37.200 --> 00:42:42.200 Man legger nå disse løpene oppå hverandre og alt skjer parallelt. 00:42:42.200 --> 00:42:51.100 Det har vært veldig viktig for å akselerere denne prosessen. – Selvfølgelig er det masse trender jeg ikke har snakket om. 00:42:51.100 --> 00:42:56.250 Hva med CRISPR? Hvordan ser det ut i legemiddelindustrien? NOTE Treffsikkerhet: 91% (HØY) 00:42:56.250 --> 00:43:03.200 Vil vi ta ut celler, modifisere dem genetisk og sette dem tilbake i pasienten? 00:43:03.200 --> 00:43:11.100 Vi har det samme i dag i kreftterapien når man bruker såkalte kimære antigenreseptorer. 00:43:11.100 --> 00:43:20.700 Man tar T-celler ut av pasientene, som man endrer ved hjelp av en virusinfeksjon som setter inn et gen for en antigenreseptor. 00:43:20.700 --> 00:43:28.000 Når T-cellene settes tilbake i pasientene, går de på kreftcellene fordi de har blitt lært opp in vitro til å drepe den typen celler. 00:43:28.000 --> 00:43:39.500 Det skjer veldig mye på individualisert legemiddelbehandling, mye fordi man har mer og mer genetiske data tilgjengelig. 00:43:39.500 --> 00:43:49.400 Til slutt fant jeg et område der noen skrev om digital terapi. Det vet jeg ikke hva er for noe, men det er sikkert veldig fint. 00:43:49.400 --> 00:43:56.800 Jeg tenker at en form for digital terapi må være at vi alle kan laste ned apper på telefonen våre, – 00:43:56.800 --> 00:44:03.500 som passer på at vi spiser, sover og tar medisinene våre, trener når vi skal. NOTE Treffsikkerhet: 91% (HØY) 00:44:03.500 --> 00:44:08.600 Det kan jo være en form for digital terapi som sikkert noen kan ha nytte av. 00:44:08.600 --> 00:44:13.800 Men det krever jo litt innsats å føre opp alt dette. 00:44:13.800 --> 00:44:23.200 Jeg fant en annen form for digital terapi som jeg tror kanskje er enda mer nyttig for folkehelsa. 00:44:23.200 --> 00:44:30.800 Den kan regulere alkoholinntaket, som er et stort folkehelseproblem. Det var den her. 00:44:30.800 --> 00:44:38.200 I stedet for å drikke øl eller champagne, kan du drikke direkte fra telefonen. Om det gir den samme opplevelsen er jeg ikke sikker på. 00:44:38.200 --> 00:44:49.300 Men 90 millioner personer har lastet den ned, så det kan være et bidrag til folkehelsen hvis den blir enda mer populær. 00:44:49.300 --> 00:44:57.800 Da er jeg ferdig med mine slides, så vi kan sikkert ta spørsmål om det er noen.