Vom Experiment zur Erkenntnis: Wie Dotmatics Luma und Databricks eine AI-bereite Wissenschaft Realität werden lassen

Die Lücke zwischen wissenschaftlichen Daten und wissenschaftlichen Erkenntnissen

Moderne wissenschaftliche Workflows erzeugen Daten in einem außergewöhnlichen Ausmaß. Eine einzige Organisation betreibt unter Umständen Hunderte von Instrumenten in Nasslaboren und Partnernetzwerken. Jedes davon produziert Daten, und meistens verbleiben diese Daten in Silos – isoliert von den Entscheidungen, die sie eigentlich unterstützen sollen.

Das Problem ist nicht das Volumen, sondern der Kontext. Es ist entscheidend, die Integrität und den Kontext wissenschaftlicher Daten zu bewahren, während sie verschiedene Instrumente, Analysen und Entscheidungen durchlaufen. Wenn der Kontext verloren geht, verbringen Wissenschaftler wertvolle Zeit damit, Ergebnisse zu rekonstruieren oder zu wiederholen, anstatt die Forschung voranzutreiben. Wenn AI-Modelle auf fragmentierten, nicht harmonisierten Daten trainiert werden, ist den Ergebnissen nicht immer zu trauen (Abbildung 1).

Abbildung 1. Dotmatics Luma und Databricks verwandeln fragmentierte Instrumentendaten in eine kontinuierliche, vernetzte Pipeline strukturierter, AI-fähiger wissenschaftlicher Daten.

Um diese Lücke zu schließen, müssen zwei Dinge Hand in Hand gehen. Eine speziell für wissenschaftliche Daten entwickelte Plattform und eine Enterprise-Infrastruktur, die diese im großen Maßstab unterstützt. Genau dafür wurden Luma, die Scientific-Intelligence-Plattform von Dotmatics, und Databricks jeweils entwickelt. Zusammen bieten sie einen Mehrwert, den keine der beiden Plattformen allein erbringen kann.

Was Dotmatics Luma und Databricks gemeinsam bieten

Luma ist das wissenschaftliche Betriebssystem für moderne R&D. Luma erfasst Instrumentendaten kontinuierlich und automatisch, ohne bestehende Workflows zu stören, und überführt sie in Echtzeit in einen harmonisierten, strukturierten wissenschaftlichen Datensatz. Zudem kann die Plattform täglich Milliarden von wissenschaftlichen Datenpunkten verarbeiten.

Dieser Harmonisierungsschritt macht alles Nachgelagerte erst möglich. Unstrukturierte Rohdaten werden zu strukturierten, FAIR-konformen (Findable, Accessible, Interoperable, and Reusable) Daten, die sofort nach ihrem Eintreffen für Analysen, Modellierungen und AI-Anwendungen bereitstehen. Da der wissenschaftliche Datensatz kontinuierlich und strukturiert ist, kann AI auf den gesamten Datenbestand angewendet werden. So lassen sich Muster über Experimente hinweg erkennen, nächste Schritte vorschlagen und sogar Standardarbeitsanweisungen (SOPs) in verständlicher Sprache erstellen, die Wissenschaftler sofort umsetzen können.

Databricks ist das Fundament, auf dem Luma aufbaut. Es bietet die skalierbare, kontrollierte Infrastruktur, die erforderlich ist, um diese Daten im gesamten Unternehmen zu speichern, zu verwalten und zu nutzen. Dadurch können wissenschaftliche Daten direkt neben Finanz-, Beschaffungs- und Business-Intelligence-Systemen platziert werden, was Forschungsergebnisse mit dem größeren geschäftlichen Kontext verknüpft. Delta Sharing ermöglicht den nahtlosen Datenaustausch mit externen Partnern, einschließlich Auftragsforschungsinstituten (CROs) und akademischen Partnern, ohne Abstriche bei Governance oder Datenintegrität zu machen.

Wie Dotmatics Luma und Databricks optimal zusammenspielen

Luma wurde speziell für die Wissenschaft entwickelt, Databricks für skalierbare Daten und AI. Luma läuft nativ auf Databricks. Unternehmen erhalten so tiefgehende wissenschaftliche Funktionen und eine Enterprise-Dateninfrastruktur als einheitlichen Stack statt als Flickenteppich aus verschiedenen Integrationen. Dieser einheitliche Stack funktioniert, weil jede Plattform Stärken einbringt, die die andere ergänzen.

Konzeptionell komplementär. Luma bietet die Gerätekonnektivität, Harmonisierungslogik, den wissenschaftlichen Kontext und ein FAIR-konformes Datenfundament – alles speziell für R&D entwickelt. Die Nutzung offener, erweiterbarer Ökosysteme für Biologie und Chemie stellt sicher, dass Anwender Workflows nutzen, die von Wissenschaftlern für Wissenschaftler entwickelt wurden. Databricks steuert die Daten- und AI-Infrastruktur bei – mit skalierbarem Speicher, Governance und den Tools zur Aktivierung dieser Daten im gesamten Unternehmen. Zusammen ist dieser Stack mehr als die Summe seiner Teile (Abbildung 2).

Abbildung 2. Luma und Databricks bilden einen einheitlichen Stack mit wissenschaftlichen Funktionen an der Spitze, einer Enterprise-Dateninfrastruktur als Basis und AI-fähigen Erkenntnissen als Ergebnis.

Das Ergebnis ist ein schnellerer Weg zu AI-fähiger Wissenschaft, ohne die wissenschaftliche Sorgfalt zu vernachlässigen. Luma ist für Workflows konzipiert, bei denen Daten auditierbar, Entscheidungen nachvollziehbar und AI-Ergebnisse einer kritischen Prüfung standhalten müssen – von der frühen Entdeckung bis zur behördlichen Einreichung. Das ist der Standard, an dem sich diese Partnerschaft misst.

Ein Anwendungsbeispiel: Wenn Chromatographie-Daten fragmentieren

Der typische Chromatographie-Workflow ist oft von operativen Hürden geprägt. SOPs können sich je nach Team und Standort unterscheiden, Geräte stammen häufig von verschiedenen Herstellern mit eigenen proprietären Datensystemen und Dateitypen, und Ergebnisse werden manuell exportiert, umformatiert und in ein elektronisches Laborbuch (ELN) übertragen. Bei diesem Ansatz können Metadaten, Lineage und der experimentelle Kontext verloren gehen. Dies erschwert standortübergreifende Vergleiche und führt dazu, dass die zugrunde liegenden Daten oft ungenutzt bleiben oder unzugänglich sind.

Genau diese Art von Datensilos wollen wir in einer AI-Umgebung vermeiden. Wissenschaftliche Kontinuität ist entscheidend, und Luma ermöglicht dies als Orchestrierungsebene, die schnellere wissenschaftliche Entscheidungen mit Kontinuität über den gesamten Forschungslebenszyklus hinweg unterstützt. Dazu gehören:

• Versuchsplanung
• automatisierte Auftragsübermittlung und Datenerfassung
• automatisierte Chromatogramm-Analyse durch die Anbindung an leistungsstarke Tools
• Berichterstellung und Freigabe mit einem Klick
• einfacher Datenvergleich

Wichtig ist, dass Metadaten, Lineage und der experimentelle Kontext über den gesamten digitalen Faden hinweg erhalten bleiben.

Hier kommt das Analytical Studio von Virscidian ins Spiel. Im Jahr 2024 erwarb Dotmatics das Unternehmen Virscidian, den Entwickler der leistungsstarken Chromatographie-Verarbeitungssoftware Analytical Studio. Für sich genommen bietet diese Software ein enormes Potenzial zur Beschleunigung der Wirkstoffforschung, da sie die komplexe Datenverarbeitung für Flüssigkeitschromatographie-Massenspektrometrie (LC/MS), Hochdurchsatz-Experimente (HTE) und Aufreinigungsworkflows automatisiert. Was manuell Wochen dauern würde, lässt sich in wenigen Minuten erledigen. Durch das Zusammenspiel mit Luma profitiert die Software von Virscidian nun von einem Ergebnis-Dashboard, einer Substanzregistrierung und Tools zur Substanzverwaltung, die direkt in Luma integriert sind.

Die Chromatographie ist nur ein Beispiel für ein weitaus größeres Muster. Dieselbe Fragmentierung lässt sich überall dort beobachten, wo sich Instrumente, Teams und Datenformate vervielfachen – sei es bei der Massenspektrometrie, plattenbasierten Assays, Sequenzierung, Bildgebung oder darüber hinaus. Unabhängig von der Methode bleibt das zugrunde liegende Problem dasselbe: Der Kontext geht zwischen Erfassung und Entscheidung verloren. Glücklicherweise bleibt die Lösung dieselbe: Ein kontinuierlicher, harmonisierter Datensatz, der mit den Daten wandert, anstatt am Ort der Erfassung stehenzubleiben. Das ist der Mehrwert, den Luma und Databricks über den gesamten Forschungslebenszyklus hinweg bieten, nicht nur in einem einzelnen Workflow.

Ein Blick in die Praxis

Ein großes globales Pharmaunternehmen stand vor einer Herausforderung, die jeder Organisation vertraut ist, die Forschung im großen Stil betreibt: Mehr als 5.000 Instrumente auf ihrem Campus generierten jeweils isoliert Daten. Ihre größte und am stärksten fragmentierte Datenquelle war ihre (LC/MS)-Flotte mit Geräten von vier verschiedenen Herstellern, die ihre Chromatographie-Daten jeweils in eigenen, proprietären Systemen speicherten. Dadurch gab es keine Möglichkeit, Leistungstrends zu analysieren, Ergebnisse standortübergreifend zu vergleichen oder AI auf einen Datensatz anzuwenden, der nie zusammengeführt worden war. Sie führten Luma zunächst für rund 1.500 Instrumente ein und verbanden die Daten aller vier Herstellersysteme in einem harmonisierten, FAIR-konformen Datensatz, ohne auch nur einen einzigen Workflow zu stören. Die Wissenschaftler arbeiteten exakt wie zuvor weiter, mit dem Unterschied, dass ihre Daten nicht mehr an den Grenzen des jeweiligen Herstellersystems endeten.

Zum ersten Mal konnte das Unternehmen die Leistung von Instrumenten herstellerübergreifend analysieren, Reinheitsanalysen aus einer einheitlichen Ansicht heraus durchführen und Auslastungs- sowie Laufzeitdaten nutzen, um die Investitionsplanung und Serviceverträge zu optimieren. Für diese Entscheidungen war zuvor ein erheblicher manueller Aufwand erforderlich, um Informationen aus isolierten Quellen zusammenzutragen. Mit einem sauberen, strukturierten und historisch vollständigen Datensatz verfügt das Unternehmen nun über ein solides Fundament für AI und Machine Learning – mit einem klaren Weg zur Anbindung aller über 5.000 Instrumente auf ihrem Campus.

Was diese Organisation aufgebaut hat, ist kein einmaliges Integrationsprojekt. Es ist eine reproduzierbare Grundlage: dort anzusetzen, wo die Probleme mit den Daten am größten sind, schnell den Mehrwert zu beweisen und auf einer funktionierenden Infrastruktur aufzubauen. Das ist das Modell, für dessen Unterstützung Luma und Databricks entwickelt wurden.

Möchten Sie erfahren, was Luma und Databricks für Ihre Organisation tun können? Besuchen Sie dotmatics.com, um mehr über Luma und die Dotmatics-Plattform zu erfahren.

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag