Så hvordan skal vi overkomme denne nye coronavirus? Ved at bruge vores bedste redskaber: vores videnskab og vores teknologi. I mit laboratorie  anvender vi kunstig intelligens og syntesebiologi til at fremskynde kampen mod denne pandemi. Vores arbejde var oprindeligt designet til at håndtere den stigende antibiotikaresistens. Vores projekt forsøger at udnytte mulighederne ved machine learning for at genopbygge vores antibiotika arsenal og undgå en globalt ødelæggende post-antibiotisk tidsalder. Vigtigere er det, at den samme teknologi kan bruges til at søge efter antivirale forbindelser der kan hjælpe os med at bekæmpe den nuværende pandemi. 
Machine learning vender op og ned på den traditionelle lægemiddelforskning Med denne tilgang - i stedet for omhyggeligt at teste tusinder af eksisterende molekyler en efter en i et laboratorie for deres effektivitet - kan vi oplære en computer i at udforske ukendte områder af alle potentielle molekyler der kunne syntetiseres så i stedet for at lede efter nålen i høstakken, kan vi gøre brug af den gigantiske magnet af computerkraft til at finde mange nåle i adskillige høstakke samtidig. 
Vi kan allerede nu fremvise nogle resultater. For nyligt anvendte vi machine learning til at opdage nye antibiotika der kan hjælpe os med at bekæmpe bakterieinfektioner der kan forekomme som følge af SARS-CoV-2 infektioner. For to måneder siden, godkendte TED's Audacious Project vores finansiering til at opskalere vores arbejde massivt med målet om at opdage syv nye antibiotikaklasser imod syv af verdens dødelige bakterielle patogener over de næste syv år. Til sammenligning: antallet af nye antibiotikaklasser opdaget igennem de sidste tre årtier er nul. 
Mens søgen efter ny antibiotika hører til vores fremtid på mellemlang sigt, så udgør den nye coronavirus en umiddelbar dødelig trussel og det glæder mig at dele, at vi tror på at samme teknologi kan anvendes til at søge efter behandling til at bekæmpe denne virus. Så hvordan vil vi gøre det? Vi opretter et sammensat træningsbibliotek hvor samarbejdspartnere påfører disse molekyler på SARS-CoV-2-inficerede celler for at se hvilke af dem, der udviser effektiv aktivitet. Denne data vil blive brugt til at oplære en machine learning model der kan anvendes på en in silico bibliotek med over en milliard molekyler for at søge efter potentielle nye antivirale forbindelser. Vi vil syntetisere og teste prioriterede forudsigelser og viderudvikle de mest lovende kandidater i laboratoriet. 
Lyder det for godt til at være sandt? Det burde det ikke. The Antibiotics AI Project er grundlagt på vores proof of concept forskning der førte til opdagelsen af et nyt bredspektret antibiotikum med navnet Halocin. Halocin indeholder kraftig antibakteriel aktivitet mod næsten alle antibiotikaresistente bakterielle patogener heriblandt uhelbredelige pan-resistente infektioner. Hvad vigtigere er, modsat nuværende antibiotika er hyppigheden af bakterier, der udvikler resistens mod Halocin, bemærkelsesværdig lav. Vi testede bakteriernes evne til at udvikle resistens mod Halocin såvel som Cipro i laboratoriet. For Cipro kunne vi spore resistens efter bare én dag. For Halocin så vi ingen resistens efter en enkelt dag. Utroligt nok, efter 30 dage kunne vi stadig ikke spore resistens mod Halocin. 
I dette pilotforsøg testede vi først omkring 2.500 forbindelser mod E. coli. Dette træningsforsøg omfattede kendte antibiotika såsom Cipro og penicillin, samt flere lægemidler, der ikke er antibiotika. Vi brugte denne data til at oplære en model i at forstå molekylære træk forbundet med antibakteriel aktivitet. Vi anvendte derefter modellen i et bibliotek for genanvendelseslægemidler bestående af flere tusinder molekyler til at identificere molekyler, der forventes at have antibakterielle egenskaber men som ikke ligner eksisterende antibiotika. Interessant nok, var der blot en enkelt molekyle der svarede til disse kriterier og den molekyle var Halocin. Da Halocin ikke ligner eksisterende antibiotika, ville det være umuligt for et menneske, herunder en antibiotikaekspert, at identificere Halocin på denne måde. Forestil dig nu hvad vi kunne gøre med denne teknologi mod SARS-CoV-2. 
Og det er ikke det hele. Vi anvender også redskaber som syntesebiologi blandet med DNA og andet cellulært maskineri, til at tjene menneskelige formål som at bekæmpe COVID-19, og som sidebemærkning, arbejder vi på at udvikle en beskyttelsesmaske der også kan fungere som en hurtig diagnostisk test. Så hvordan fungerer det? Vi har for nyligt vist, at du kan udtage det cellulære maskineri fra en levende celle og frysetørre det sammen med RNA-sensorer på papir for at producere et billigt diagnostisk redskab for Ebola og Zika. Sensorerne aktiveres når de rehydreres af en patientprøve der kan bestå af blod eller spyt. Det viser sig, at denne teknologi ikke begrænser sig til papir og kan anvendes på andre materialer, såsom et stykke stof. For COVID-19 pandemien designer vi RNA-sensorer til at opfange virussen og frysetørre disse sammen med det nødvendige cellulære maskineri i stoffet på en ansigtsmaske hvor det at trække vejret, sammen med det vanddamp, der følger med kan aktivere testen. Så hvis en patient er inficeret med SARS-CoV-2, vil masken producere et fluorescerende signal der kan opfanges via en simpel, billig håndholdt enhed. På en eller to timer, vil en patient kunne blive diagnosticeret sikkert, på afstand og præcist. 
Vi bruger også syntesebiologi til at designe en mulig vaccine for COVID-19. Vi genanvender BCG vaccinen som er blevet brugt mod TB i næsten et århundrede. Det er en levende svækket vaccine, som vi konstruerer til at udtrykke SARS-CoV-2 antigener, hvilket vil udløse produktionen af beskyttende antistoffer af immunsystemet. Oveni det er BCG betydelig skalerbar, og har en sikkerhedsprofil, der er blandt de bedste af rapporterede vacciner. 
Med redskaber som syntesebiologi og kunstig intelligens kan vi vinde kampen mod denne nye coronavirus. Arbejdet er i de meget tidlige faser, men løftet er reelt. Videnskab og teknologi kan give os en afgørende fordel i opgøret mellem menneskelig forstand og superbugs' gener, en kamp vi kan vinde. 
Tak. 
