Kunstmatige intelligentie integreren met digitale laboratoriumtools om een revolutie teweeg te brengen in de biowetenschappen

Er is een revolutie gaande in de biowetenschappen en biotechnologie, waarbij AI wordt ingezet om de efficiëntie van laboratoria te verhogen, de workflows voor procesontwikkeling te versnellen en uiteindelijk ontdekkingen mogelijk te maken op het gebied van kankeronderzoek, de ontwikkeling van vaccins en nog veel meer. Onderzoeks- en ontwikkelingsbedrijven zijn intern echter niet uitgerust om AI-software te bouwen en op te schalen, dus worden de nodige oplossingen gesmeed via nieuwe en vindingrijke samenwerkingen tussen datawetenschappers en experts op het gebied van machinaal leren.

Deze uitdaging wordt aangegaan door eLabNext, een aanbieder van digitale laboratoriumtools die voorop loopt bij het creëren van een agnostisch platform waarmee wetenschappers meerdere AI-technologieën kunnen gebruiken in biowetenschappelijk onderzoek en ontwikkeling. Wij spraken met oprichter en Managing Director Erwin Seinen en zijn collega Zareh Zurabyan, samen met Taylor Chartier en Vadim Nazarov die respectievelijk AI softwarebedrijven Modicus Prime en ImmunoMind hebben opgericht, om te leren hoe een dergelijke samenwerking een revolutie teweeg brengt in laboratoriumworkflows en data-analyse.

AI-oplossingen voor voorheen lastige R&D-uitdagingen

Seinen benadrukt hoeveel wetenschap draait om een kern van consistente, reproduceerbare resultaten, een steeds moeilijkere prestatie met digitaal geassisteerde big data generatie die de norm wordt op veel gebieden. Maar AI zou wel eens het middel kunnen zijn om de huidige knelpunten te verlichten, zoals Seinen uitlegt: "AI biedt de gereedschappen die nodig zijn voor een even versnelde analyse en experimenteel ontwerp dat de normen handhaaft waar we tot nu toe naar hebben geleefd. AI-toepassingen zullen ons helpen de onvermijdelijke volgende stap in de wetenschap te zetten".

Zijn collega Zurabyan, hoofd van eLabNext, Americas, divisie van Eppendorf, deelt zijn enthousiasme: "Ik ben erg enthousiast over dit nieuwe tijdperk van biowetenschap en biotechnologie. Met Eppendorf en eLabNext staan we in de voorste gelederen van deze ontwikkeling en helpen we bij het onderzoek naar therapeutica die u en mij zullen helpen om gezonder en langer te leven," voegt Zurabyan toe.

Dat enthousiasme komt deels voort uit een zeer innovatieve samenwerking met twee AI-softwarebedrijven - Modicus Prime, dat AI inzet bij beeldverwerking voor de karakterisering van deeltjes en de detectie van anomalieën, en ImmunoMind, dat de functie van immuuncellen koppelt aan het succes van productie en behandeling in biofarmaceutica. eLabNext heeft beide technologieën geïntegreerd in zijn uitbreidingen.

Nieuwe AI-technologieën begrijpen en toepassen

Vadim Nazarov, de oprichter van ImmunoMind en een expert op het gebied van bio-informatica en machinaal leren, probeert AI te 'demystificeren' en te verduidelijken wat het precies is. "AI-technologieën markeren een paradigmaverschuiving in alles," zegt hij, "van hoe we denken over het gebruik van AI om praktische taken op te lossen en beslissingen te nemen met behulp van AI-aanbevelingen, tot hoe we AI-software ontwikkelen en testen."

Hij benadrukt dat AI gaat over het schrijven van software die 'zelf leert van gegevens' om een specifieke taak op te lossen. "In zekere zin gaat het erom een omgeving voor leren te creëren in plaats van alleen maar een algoritme te schrijven," voegt Nazarov toe. Maar de paradigmaverschuiving stopt hier niet, het gaat verder dan software, naar onderwijs, cultuur, organisatorische processen en zelfs marketing.

Taylor Chartier, oprichter van Modicus Prime en voormalig ingenieur en datawetenschapper uit de farmaceutische industrie, breidt dit perspectief verder uit. "Het misverstand dat gepaard gaat met AI in de life sciences gemeenschap ligt voornamelijk in de manier waarop het is geëvangeliseerd," suggereert ze. "Het kan eenvoudigweg worden beschreven als een model om experimentele resultaten in het lab beter te voorspellen en te interpreteren. Wat AI-modellen bijzonder krachtig maakt, zijn hun niet-lineaire functies afgewisseld met meerdere lagen van lineaire bewerkingen, waardoor deze modellen in staat zijn om elk gegeven probleem op te lossen met een adequaat aantal parameters," voegt ze er verder aan toe.

Zowel Chartier als Nazarov begrijpen de voordelen van het toepassen van AI-technologieën in de gezondheidszorg, zoals Chartier uitlegt: "Van toxicologisch onderzoek in een vroeg stadium tot het opschalen van bioprocessen, wetenschappers kunnen profiteren van AI door de tools direct te integreren in hun dagelijkse workflows. Dit kan worden gedaan met een digitaal laboratoriumplatform of laboratoriumgecentraliseerde cloudgebaseerde technologie", zegt ze.

Chartier geeft aan dat early adopters de voordelen van hybride modellering binnen hun experimentele ontwerpen zullen realiseren en voorspelt dat tegen 2030 onderzoek binnen geneesmiddelenontwikkeling voornamelijk in silico zal worden gedaan en gevalideerd met laboratoriumbewijs. Nazarov voegt eraan toe dat het cruciaal is om een early adopter te zijn of om samen te werken met anderen die een nieuw gebied verkennen. "Early adopters bepalen de toekomstige markttrends, ze leren wat werkt en wat niet en bouwen interne expertise en cultuur op door trial-and-error. Dit is simpelweg onmogelijk om te leren in een andere omgeving," beweert hij.

Praktische aspecten en huidige beperkingen van het gebruik van AI

Volgens Nazarov gaat het bij de introductie van AI-technologie vooral om educatie, het inbrengen van nieuwe expertise en het wegnemen van het mysterie. Samenwerken met een externe deskundige partner kan ook helpen. Hij suggereert dat meer gedetailleerde aanbevelingen afhankelijk zijn van de structuur van het team. Voor meer technisch georiënteerde teams is het bijvoorbeeld belangrijk om vrijheid te geven zodat mensen kunnen experimenteren met nieuwe technologieën. Voor meer biomedisch georiënteerde teams is het belangrijk om te praten over specifieke resultaten en de feedbacklussen van AI naar teamleden. "Het helpt om mensen de deliverables van AI te laten zien en vertrouwen op te bouwen in de technologie," zegt hij.

Met het opbouwen van vertrouwen in het achterhoofd stelt Chartier voor dat de laatste stap bij het introduceren van een nieuwe AI-technologie bestaat uit het maken van een goed gedefinieerde casestudy met de tool om kwantificeerbare toegevoegde waarde voor het team aan te tonen, zoals efficiëntie of voorspellingscijfers.

Chartier en Nazarov wijzen op drie belangrijke hindernissen die op dit moment een succesvolle toepassing van AI-technologieën in de weg staan: gegevens, bedrijfscultuur en regelgeving. Zelfs de beste AI-algoritmen zullen niet werken als de gegevens van slechte kwaliteit of schaars zijn. Op het gebied van regelgeving legt Chartier uit dat regelgevende instanties, waaronder de FDA, momenteel nog bezig zijn met het testen van AI/machine learning-programma's om fabrikanten van Software as a Medical Device (SAMD) beter te begeleiden. Ze noemt het Pre-Cert programma dat nog in de pilotfase zit met negen deelnemende fabrikanten en voegt eraan toe dat de FDA uitstekend werk verricht door de industrie en AI-experts te onderzoeken om richtlijnen te publiceren over betrouwbare AI.

Ongebruikelijke toepassingen en toekomstig potentieel

Nazarov legt uit dat AI kan helpen bij het vinden van nieuwe biomarkers voor patiëntstratificatie, bij het ontwikkelen van diagnostiek of bij het corrigeren van fouten in medische voorschriften om ze veiliger te maken voor patiënten. "Uiteindelijk draait het allemaal om het samenbrengen van verschillende perspectieven om samen te werken aan betere instrumenten, omdat we allemaal hetzelfde doel hebben: het leven van patiënten verbeteren", besluit hij.

Chartier noemt neuromorphic computing als een opwindende benadering die autonome AI-oplossingen biedt met aanpassingsvermogen in real-time en suggereert dat dergelijke toepassingen binnen de robotica het leven van patiënten zullen blijven verbeteren. Ze besluit met de volgende observatie: "In de context van biotech is er voor slechts 5% van de ruwweg 7.000 zeldzame ziekten een door de FDA goedgekeurd medicijn, waardoor er duizenden aandoeningen zijn zonder genezing. Met behulp van AI die de domeinexpertise van onderzoekers vergroot, hebben biotechbedrijven de kans om systematisch de onvervulde gezondheidsbehoeften van miljoenen mensen aan te pakken."

In zijn afsluitende verklaring gelooft Zurabyan van eLabNext dat "de early adopters hun concurrentie zullen begraven in deze zoektocht naar nieuwe innovaties en therapeutica. De mogelijkheid hebben om miljoenen datapunten veel sneller te analyseren dan degenen die geen AI-technologieën gebruiken, betekent dat wetenschappers minder hoeven te zoeken en meer echt onderzoek kunnen doen", zegt hij.

Lees verder op SelectScience