De l'expérimentation aux insights : comment Dotmatics Luma et Databricks font de la science prête pour l'AI une réalité

Le fossé entre données scientifiques et perspectives scientifiques

Les flux de travail scientifiques modernes génèrent des données à une échelle extraordinaire. Une seule organisation peut exploiter des centaines d'instruments dans des laboratoires humides et des réseaux de partenaires. Chacun produit des données, et la plupart du temps, ces données vivent dans des silos, déconnectées des décisions mêmes qu'elles sont censées éclairer.

Le problème n'est pas le volume, mais plutôt le contexte. Il est crucial de maintenir l'intégrité et le contexte des données scientifiques au fur et à mesure qu'elles passent par les instruments, les analyses et les décisions. Lorsque le contexte est perdu, les scientifiques passent du temps à reconstruire ou à répéter les résultats au lieu de faire progresser la recherche. Lorsque les modèles d'AI sont entraînés sur des données fragmentées et non harmonisées, on ne peut pas toujours faire confiance aux résultats (Figure 1).

Figure 1. Dotmatics Luma et Databricks transforment les sorties d'instruments fragmentées en un pipeline continu et connecté de données scientifiques structurées et prêtes pour l'AI.

Combler ce fossé nécessite deux éléments fonctionnant de concert. Une plateforme spécialement conçue pour les données scientifiques, et l'infrastructure de niveau entreprise pour la soutenir à grande échelle. C'est précisément ce que Luma, la plateforme d'intelligence scientifique de Dotmatics, et Databricks ont été conçus pour faire. Ensemble, ils offrent ce qu'aucun des deux ne peut fournir seul.

Ce que Dotmatics Luma et Databricks apportent ensemble

Luma est la couche opérationnelle scientifique de la R&D moderne. Luma capture les sorties des instruments de manière continue et automatique, sans perturber les flux de travail existants, en intégrant les données dans un registre scientifique harmonisé et structuré en temps réel. Elle peut également traiter des milliards de points de données scientifiques chaque jour.

Cette étape d'harmonisation est ce qui rend possible tout ce qui suit en aval. Les sorties brutes non structurées deviennent des données structurées et conformes aux principes FAIR (Findable, Accessible, Interoperable, and Reusable) prêtes pour l'analyse, la modélisation et les applications d'AI dès leur arrivée. Comme le registre scientifique est continu et structuré, l'AI peut être appliquée à l'ensemble du registre, identifiant des modèles à travers les expériences, suggérant la suite des opérations, et générant même des procédures opérationnelles standard (SOPs) en langage clair que les scientifiques peuvent suivre immédiatement.

Databricks est la fondation sur laquelle Luma est construit. Cela fournit l'infrastructure évolutive et gouvernée nécessaire pour stocker, gérer et activer ces données dans toute l'entreprise. Elle permet aux données scientifiques de côtoyer les systèmes de finance, d'approvisionnement et de business intelligence, reliant les résultats de la recherche au contexte organisationnel plus large. Delta Sharing permet un échange de données fluide avec des collaborateurs tiers, y compris des organismes de recherche sous contrat (CROs) et des partenaires académiques, sans compromettre la gouvernance ou l'intégrité des données.

Comment Dotmatics Luma et Databricks fonctionnent mieux ensemble

Luma est conçu spécifiquement pour la science, et Databricks est conçu spécifiquement pour les données évolutives et l'AI. Luma s'exécute nativement sur Databricks, de sorte que les organisations bénéficient d'une capacité scientifique approfondie et d'une infrastructure de données de niveau entreprise sous la forme d'une pile unifiée, et non d'un assemblage d'intégrations. Cette pile unifiée fonctionne parce que chaque plateforme apporte quelque chose que l'autre n'a pas.

Complémentaires par conception. Luma fournit la connectivité des instruments, la logique d'harmonisation, le contexte scientifique et une base de données conforme aux principes FAIR, le tout conçu spécifiquement pour la R&D. L'utilisation d'écosystèmes ouverts et extensibles pour la biologie et la chimie garantit que les utilisateurs exploitent des flux de travail conçus par des scientifiques, pour des scientifiques. Databricks apporte l'infrastructure de données et d'AI, avec un stockage évolutif, une gouvernance et les outils pour activer ces données dans toute l'entreprise. Ensemble, la pile est supérieure à la somme de ses parties (Figure 2).

Figure 2. Luma et Databricks forment une pile unifiée, avec la capacité scientifique au-dessus, l'infrastructure de données d'entreprise en dessous, et des perspectives prêtes pour l'AI en sortie.

Le résultat est une voie plus rapide vers une science prête pour l'AI, sans sacrifier la rigueur qu'exige la science. Luma est conçu pour des flux de travail où les données doivent être auditables, les décisions traçables et les résultats d'AI irréprochables sous surveillance, couvrant tout, de la découverte initiale à la soumission réglementaire. C'est la norme que ce partenariat vise à respecter.

Un exemple de domaine d'application : quand les données de chromatographie se fragmentent

Le flux de travail de chromatographie typique est plein de lourdeurs opérationnelles. Les SOPs peuvent varier d'une équipe et d'un site à l'autre, les instruments proviennent souvent de différents fournisseurs avec leurs propres systèmes de données et types de fichiers propriétaires, et les résultats sont exportés manuellement, reformatés et chargés dans un cahier de laboratoire électronique (ELN). Cette approche peut éliminer les métadonnées, la traçabilité et le contexte expérimental, ce qui rend les comparaisons entre sites difficiles et conduit souvent à des données sous-jacentes enfouies ou inaccessibles.

Ce type de données cloisonnées est précisément ce que nous voulons éviter lorsque nous travaillons dans un environnement d'AI. La continuité scientifique est cruciale, et Luma la permet en agissant comme la couche d'orchestration qui favorise des décisions scientifiques plus rapides avec une continuité tout au long du cycle de vie de la recherche. Cela comprend :

• la conception d'expériences
• la distribution automatisée des tâches et l'acquisition de données
• l'analyse automatisée des chromatogrammes grâce à la connectivité avec des outils puissants
• le reporting et le partage en un clic
• la comparaison facile des données

Surtout, les métadonnées, la traçabilité et le contexte expérimental sont préservés tout au long du fil numérique.

C'est là qu'intervient Analytical Studio de Virscidian. En 2024, Dotmatics a racheté Virscidian, propriétaire du puissant logiciel de traitement de chromatographie Analytical Studio. À lui seul, ce logiciel offre un potentiel formidable pour accélérer la découverte de médicaments, grâce à ses capacités d'automatisation du traitement des données complexes de chromatographie en phase liquide-spectrométrie de masse (LC/MS), d'expérimentation à haut débit (HTE) et de flux de travail de purification. Ce qui pourrait prendre des semaines à faire manuellement peut être réalisé en quelques minutes. En fonctionnant en tandem avec Luma, le logiciel de Virscidian bénéficie désormais d'un tableau de bord des résultats, de l'enregistrement des composés et d'outils de gestion des composés intégrés à Luma.

La chromatographie n'est qu'un exemple d'un schéma beaucoup plus large. La même fragmentation peut être observée partout où les instruments, les équipes et les formats de données se multiplient, qu'il s'agisse de spectrométrie de masse, de tests sur plaques, de séquençage, d'imagerie et au-delà. Quelle que soit la modalité, le problème sous-jacent est le même : le contexte se perd entre la capture et la décision. Heureusement, la solution reste la même. Un registre continu et harmonisé qui voyage avec les données au lieu de s'arrêter au point de collecte. C'est la valeur que Luma et Databricks apportent tout au long du cycle de vie de la recherche, et pas seulement dans un seul flux de travail.

Le voir en pratique

Une grande entreprise pharmaceutique mondiale a été confrontée à un défi familier pour toute organisation menant des recherches à grande échelle : plus de 5 000 instruments sur leur campus, chacun générant des données de manière isolée. Leur source de données la plus importante et la plus fragmentée était leur flotte (LC/MS), qui comprenait des instruments de quatre fournisseurs différents, chacun stockant les données de chromatographie dans son propre système propriétaire. Cela signifiait qu'il n'y avait aucun moyen de suivre les tendances de performance, de comparer les résultats entre les sites ou d'appliquer l'AI à un ensemble de données qui n'avait jamais été unifié. Ils ont déployé Luma en commençant par environ 1 500 instruments, connectant les sorties des quatre systèmes de fournisseurs dans un registre harmonisé et aligné sur les principes FAIR sans perturber un seul flux de travail. Les scientifiques ont continué à travailler exactement comme avant, sauf que leurs données ne s'arrêtaient plus à la frontière du système de chaque fournisseur.

Pour la première fois, l'organisation a pu suivre les tendances de performance des instruments de différents fournisseurs, exécuter des analyses de pureté à partir d'une vue unifiée et s'appuyer sur les données d'utilisation et de temps de fonctionnement pour éclairer la planification des investissements et les contrats de service. Auparavant, ces décisions nécessitaient un effort manuel important pour rassembler des éléments provenant de sources déconnectées. Avec un ensemble de données propre, structuré et historiquement complet désormais en place, l'organisation a également acquis une base prête pour l'AI et le machine learning, avec une voie claire pour connecter l'ensemble des plus de 5 000 instruments de leur campus.

Ce que cette organisation a bâti n'est pas un projet d'intégration ponctuel. Il s'agit d'un socle reproductible : commencer là où les difficultés liées aux données sont les plus critiques, prouver rapidement la valeur ajoutée, puis se développer à partir d'une infrastructure qui fonctionne. C'est le modèle que Luma et Databricks ont été conçus pour prendre en charge.

Vous souhaitez découvrir ce que Luma et Databricks peuvent faire pour votre organisation ? Rendez-vous sur dotmatics.com pour en savoir plus sur Luma et la plateforme Dotmatics.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original