실험에서 인사이트까지: Dotmatics Luma와 Databricks가 AI 지원 과학을 현실로 만드는 방법

과학적 데이터와 과학적 통찰력 사이의 격차

현대의 과학적 워크플로는 엄청난 규모의 데이터를 생성합니다. 단일 조직이 웨트 랩과 파트너 네트워크 전반에서 수백 개의 장비를 운영할 수도 있습니다. 각 장비는 데이터를 생성하지만, 대부분의 경우 이 데이터는 사일로에 갇혀 의사 결정에 전혀 반영되지 못하고 분리되어 있습니다.

문제는 데이터의 양이 아니라 맥락입니다. 과학적 데이터가 장비, 분석, 의사 결정을 거쳐 이동할 때 데이터의 무결성과 맥락을 유지하는 것이 매우 중요합니다. 맥락을 잃어버리면 과학자들은 연구를 진전시키는 대신 결과를 재구성하거나 반복하는 데 시간을 허비하게 됩니다. AI 모델이 파편화되고 조화되지 않은 데이터로 학습되면 그 결과를 항상 신뢰할 수는 없습니다 (그림 1).

그림 1. Dotmatics Luma와 Databricks는 파편화된 장비 출력값을 구조화되고 AI에 바로 사용할 수 있는 과학적 데이터의 지속적이고 연결된 파이프라인으로 변환합니다.

이 격차를 좁히려면 두 가지가 조화롭게 작동해야 합니다. 과학적 데이터를 위해 특별히 구축된 플랫폼과 이를 대규모로 지원하는 엔터프라이즈급 인프라가 필요합니다. 이것이 바로 Dotmatics의 과학 정보 플랫폼인 Luma와 Databricks가 각각 해결하고자 하는 과제입니다. 두 플랫폼이 결합하여 어느 하나만으로는 제공할 수 없는 가치를 창출합니다.

Dotmatics Luma와 Databricks가 함께 제공하는 가치

Luma는 현대 R&D를 위한 과학적 운영 레이어입니다. Luma는 기존 워크플로를 방해하지 않으면서 장비 출력값을 지속적이고 자동으로 캡처하여, 실시간으로 조화롭고 구조화된 과학적 기록으로 통합합니다. 또한 매일 수십억 개의 과학적 데이터 포인트를 처리할 수 있습니다.

이 조화 단계가 있어야 후속의 모든 작업이 가능해집니다. 비구조화된 원시 출력값이 도착하는 즉시 분석, 모델링, AI 애플리케이션에 바로 사용할 수 있는 구조화된 FAIR 준수(Findable, Accessible, Interoperable, Reusable) 데이터로 변환됩니다. 과학적 기록이 지속적이고 구조화되어 있기 때문에 전체 기록에 AI를 적용하여 실험 전반의 패턴을 식별하고, 다음에 수행할 작업을 제안하며, 과학자들이 즉시 따를 수 있는 쉬운 언어로 된 표준 작업 절차서(SOP)를 생성할 수도 있습니다.

Databricks는 Luma가 구축되는 기반입니다. 이는 기업 전반에서 해당 데이터를 저장, 관리 및 활성화하는 데 필요한 확장 가능하고 거버넌스가 확보된 인프라를 제공합니다. 이를 통해 과학적 데이터를 재무, 조달, 비즈니스 인텔리전스 시스템과 함께 배치하여 연구 결과를 더 넓은 조직적 맥락과 연결할 수 있습니다. Delta Sharing을 사용하면 거버넌스나 데이터 무결성을 저해하지 않으면서 임상시험수탁기관(CRO) 및 학술 파트너를 포함한 제3자 협력업체와 원활하게 데이터를 교환할 수 있습니다.

Dotmatics Luma와 Databricks가 함께할 때 더 강력한 이유

Luma는 과학을 위해 특별히 구축되었으며, Databricks는 확장 가능한 데이터와 AI를 위해 특별히 구축되었습니다. Luma는 Databricks에서 기본적으로 실행되므로, 조직은 여러 통합 솔루션을 짜깁기할 필요 없이 심층적인 과학적 역량과 엔터프라이즈급 데이터 인프라를 단일 통합 스택으로 확보할 수 있습니다. 이 통합 스택이 효과적인 이유는 각 플랫폼이 서로에게 부족한 부분을 채워주기 때문입니다.

설계부터 상호 보완적입니다. Luma는 R&D를 위해 특별히 구축된 장비 연결성, 조화 로직, 과학적 맥락, FAIR 준수 데이터 기반을 제공합니다. 생물학과 화학 분야 모두를 위한 개방적이고 확장 가능한 에코시스템을 사용하여 사용자가 과학자에 의해, 과학자를 위해 설계된 워크플로를 활용할 수 있도록 보장합니다. Databricks는 확장 가능한 스토리지, 거버넌스, 기업 전반에서 데이터를 활성화하는 도구를 갖춘 데이터 및 AI 인프라를 제공합니다. 두 플랫폼이 결합된 스택은 개별 요소의 합보다 더 큰 가치를 발휘합니다 (그림 2).

그림 2. Luma와 Databricks는 과학적 역량을 최상위에 두고, 그 아래에 엔터프라이즈 데이터 인프라를 배치하며, 결과물로 AI에 바로 사용할 수 있는 통찰력을 제공하는 통합 스택을 형성합니다.

그 결과, 과학이 요구하는 엄격함을 타협하지 않으면서도 AI에 바로 사용할 수 있는 과학 데이터로 더 빠르게 나아갈 수 있습니다. Luma는 초기 발견부터 규제 기관 제출에 이르기까지 데이터 감사 가능성, 의사 결정 추적성, 철저한 검증을 견뎌내는 AI 결과물이 필수적인 워크플로를 위해 구축되었습니다. 이것이 바로 이번 파트너십이 충족하고자 하는 기준입니다.

적용 분야 예시: 크로마토그래피 데이터가 파편화되는 경우

일반적인 크로마토그래피 워크플로는 운영상의 비효율성으로 가득 차 있습니다. 팀과 사이트마다 SOP가 다를 수 있고, 장비는 자체 독점 데이터 시스템과 파일 형식을 가진 서로 다른 공급업체 제품인 경우가 많으며, 결과는 수동으로 내보내고 형식을 재지정하여 전자 연구 노트(ELN)에 로드해야 합니다. 이러한 방식은 메타데이터, 계보(lineage), 실험 맥락을 누락시켜 사이트 간 비교를 어렵게 만들고, 기초 데이터가 묻히거나 접근할 수 없게 되는 결과를 초래합니다.

이러한 사일로화된 데이터는 AI 환경에서 작업할 때 가장 피해야 할 요소입니다. 과학적 연속성은 매우 중요하며, Luma는 전체 연구 라이프사이클 전반에 걸쳐 연속성을 제공하고 더 빠른 과학적 의사 결정을 가능하게 하는 오케스트레이션 레이어 역할을 하여 이를 실현합니다. 여기에는 다음이 포함됩니다.

• 실험 설계
• 자동화된 작업 전달 및 데이터 수집
• 강력한 도구와의 연결을 통한 자동화된 크로마토그램 분석
• 원클릭 보고 및 공유
• 쉬운 데이터 비교

중요한 점은 디지털 스레드 전체에서 메타데이터, 계보, 실험 맥락이 그대로 보존된다는 것입니다.

여기서 Virscidian의 Analytical Studio가 중요한 역할을 합니다. 2024년, Dotmatics는 강력한 Analytical Studio 크로마토그래피 처리 소프트웨어를 보유한 Virscidian을 인수했습니다. 이 소프트웨어는 복잡한 액체 크로마토그래피-질량 분석(LC/MS) 데이터 처리, 고처리량 스크리닝 실험(HTE) 및 정제 워크플로를 자동화하는 기능을 갖추고 있어, 그 자체만으로도 신약 개발을 가속화할 수 있는 엄청난 잠재력을 제공합니다. 수동으로 수행할 때 몇 주가 걸리던 작업을 단 몇 분 만에 완료할 수 있습니다. Luma와 연동하여 작동함으로써, 이제 Virscidian의 소프트웨어는 Luma에 내장된 결과 대시보드, 화합물 등록 및 화합물 관리 도구를 활용할 수 있게 되었습니다.

크로마토그래피는 훨씬 더 광범위한 패턴의 한 가지 예에 불과합니다. 질량 분석, 플레이트 기반 분석, 시퀀싱, 이미징 등 장비, 팀, 데이터 형식이 늘어나는 곳이라면 어디서나 동일한 파편화 현상이 관찰될 수 있습니다. 어떤 방식이든 근본적인 문제는 동일합니다. 즉, 데이터 수집과 의사 결정 사이에서 맥락이 손실된다는 점입니다. 다행히도 해결책은 일관됩니다. 수집 시점에 멈추지 않고 데이터와 함께 이동하는 지속적이고 조화로운 기록을 구축하는 것입니다. 이것이 바로 Luma와 Databricks가 단 하나의 워크플로뿐만 아니라 전체 연구 라이프사이클에 걸쳐 제공하는 가치입니다.

실제 적용 사례

한 대형 글로벌 제약회사는 대규모 연구를 수행하는 모든 조직이 겪는 익숙한 과제에 직면해 있었습니다. 바로 캠퍼스 전반에 걸쳐 5,000개가 넘는 장비가 각각 독립적으로 데이터를 생성하고 있다는 점이었습니다. 가장 크고 파편화된 데이터 소스는 (LC/MS) 장비군이었는데, 여기에는 네 개의 서로 다른 공급업체의 장비가 포함되어 있었고 각 장비는 자체 독점 시스템 내에 크로마토그래피 데이터를 저장하고 있었습니다. 이로 인해 성능 추세를 파악하거나, 사이트 간 결과를 비교하거나, 한 번도 통합된 적이 없는 데이터 세트에 AI를 적용할 방법이 없었습니다. 이들은 약 1,500개의 장비를 시작으로 Luma를 배포하여, 단 하나의 워크플로도 방해하지 않으면서 네 개의 공급업체 시스템 모두에서 나오는 출력값을 조화롭고 FAIR 준수 기록으로 연결했습니다. 과학자들은 이전과 완전히 동일하게 작업을 계속했지만, 이제 그들의 데이터는 더 이상 각 공급업체 시스템의 경계에서 멈추지 않았습니다.

최초로 이 조직은 여러 공급업체 전반의 장비 성능 추세를 파악하고, 통합된 뷰에서 순도 분석을 실행하며, 가동률 및 업타임 데이터를 활용하여 자본 계획 및 서비스 계약에 반영할 수 있게 되었습니다. 이전에는 이러한 의사 결정을 내리기 위해 서로 단절된 소스로부터 정보를 수집하는 데 상당한 수동 노력이 필요했습니다. 이제 깨끗하고 구조화되었으며 역사적으로 완전한 데이터 세트가 마련됨에 따라, 이 조직은 캠퍼스 전반의 5,000개 이상의 모든 장비를 연결할 수 있는 명확한 경로와 함께 AI 및 머신러닝을 도입할 준비가 된 기반을 확보하게 되었습니다.

이 조직이 구축한 것은 일회성 통합 프로젝트가 아닙니다. 이는 반복 가능한 기반입니다. 데이터로 인한 어려움이 가장 큰 곳에서 시작하여 가치를 신속하게 입증하고, 검증된 인프라를 바탕으로 확장해 나가는 것입니다. 이것이 바로 Luma와 Databricks가 지원하도록 설계된 모델입니다.

Luma와 Databricks가 귀사에 어떤 도움을 줄 수 있는지 알아보고 싶으신가요? dotmatics.com을 방문하여 Luma와 Dotmatics 플랫폼에 대해 자세히 알아보세요.

(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)