Hoe je het meeste kunt halen uit AI in biofarmaceutisch onderzoek

Machine learning kan onderzoekers helpen om wetenschappelijke taken sneller en effectiever uit te voeren - mits laboratoria stappen ondernemen om een naadloze integratie te garanderen.

Big Data is een feit. Maar ondanks het immense potentieel brengt het ongekende uitdagingen met zich mee voor onderzoekers in de industrie. "Wetenschappers, van onderzoekstechnici tot hoofdonderzoekers, besteden veel te veel tijd aan het doorzoeken van gegevens", zegt Zareh Zurabyan, hoofd van eLabNext, een specialist op het gebied van digitalisering van laboratoria.

Het zal niet lang meer duren voordat er te veel gegevens zijn om zonder hulp te beheren. "De razendsnelle generatie van gegevens is de snelheid ontgroeid waarmee mensen deze op een zinvolle manier kunnen verwerken," zegt eLabNext oprichter en managing director Erwin Seinen. "Dit betekent dat kunstmatige intelligentie (AI) een noodzaak wordt, en niet alleen een nieuwigheid, voor de biotech."

Er zijn talloze mogelijkheden voor machine learning (ML) en andere AI-gebaseerde tools om het onderzoeksproces te transformeren. Zulke algoritmes kunnen bijvoorbeeld de uitvoering van geautomatiseerde multi-instrument experimenten beheren, of patronen identificeren binnen een onderzoekspijplijn. Wanneer zulke tools direct gekoppeld worden aan elektronische labnotitieboeken (ELN's), zoals die ontwikkeld door eLabNext, wordt het mogelijk om AI-mogelijkheden naadloos te integreren in de dagelijkse workflow van onderzoekers.

Het gebruik van AI bij de ontwikkeling van geneesmiddelen is nog geen gemeengoed. Onderzoek van Deloitte in 2021 bleek dat 38% van de ondervraagde biofarmaceutische bedrijven dagelijks AI gebruikt, hoewel nog eens 31% het gebruik van dergelijke tools aan het onderzoeken zijn.

"In veel gevallen hebben we gemerkt dat het hoger management de integratie van AI in hun onderzoek, ontdekking van medicijnen en precisiegeneeskunde absoluut steunt", zegt Taylor Chartier, oprichter en CEO van het biowetenschappelijke AI-bedrijf Modicus Prime. Maar ze wijst erop dat het introduceren van dergelijke mogelijkheden een strijd kan zijn. "Farmaceutische bedrijven zijn geen softwarebedrijven." Effectieve digitalisering vereist toegang tot externe AI-gebaseerde tools en diensten die de pijn van integratie met bestaande workflows minimaliseren, voegt ze eraan toe.

Voor laboratoria die geen software hebben, biedt het gebruik van AI-tools veel voordelen. En voor laboratoria die al gedigitaliseerd zijn, zijn er strategieën om optimaal gebruik te maken van AI-technologieën. eLabNext vult zijn ELN-platform aan met twee AI-add-ons, ontwikkeld door Modicus Prime en ImmunoMind, een startup gespecialiseerd in single-cell multi-omics voor celtherapie-ontwikkeling, met als doel naadloos te voldoen aan de databehoeften van biofarmaceutische laboratoria, van beeldanalyse tot celidentificatie.

Hoe kan AI van dienst zijn?

Voor nieuwkomers in de wereld van AI kan het moeilijk zijn om hype en realiteit van elkaar te onderscheiden als het gaat om wat de systemen kunnen. "AI kan in het algemeen drie soorten problemen oplossen", legt Vadim Nazarov, medeoprichter en CEO van ImmunoMind, uit. "Het kan kleine en eenvoudige taken automatiseren, de prestaties van sommige gecompliceerde taken vergroten of, als je veel gegevens hebt, een mogelijkheid bieden om inzichten te extraheren."

Voordat een biofarmaceutisch bedrijf besluit om een nieuw op AI gebaseerd systeem te gebruiken, moet het duidelijk begrijpen welke problemen het wil oplossen en hoe een tool bestaande processen kan stroomlijnen of verbeteren. Dit legt de last op AI-bedrijven om tools te ontwikkelen met duidelijke en overtuigende toepassingen. "Er zijn echt ongelooflijke AI-bedrijven die toegang hebben tot enorme hoeveelheden gegevens," zegt Chartier. "Maar elke keer dat je nieuwe technologie introduceert, moet deze zeer relevant zijn voor de specifieke klant."

Voor Modicus Prime betekende dit de ontwikkeling van een op AI gebaseerde beeldanalysetool die gemakkelijk kan worden getraind voor specifieke onderzoeksproblemen. Chartier merkt op dat computationele beeldanalyse en -interpretatie een van de meest volwassen toepassingen is voor AI in de biowetenschappen. De mpVision software van haar bedrijf kan snel de meeste categorieën van biotechnologische beeldgegevens analyseren. Gebruikers kunnen bijvoorbeeld interessante cellen onderscheiden van andere celtypes of van cellulair afval, afwijkingen detecteren tijdens de productie van medicijnen, kristallisatieprocessen karakteriseren of snelle kwaliteitscontrole uitvoeren op biologische producten op elke schaal - van de laboratoriumtafel tot de productievloer.

De software van ImmunoMind is ontworpen voor meer specifieke immunologische toepassingen, waarbij gebruik wordt gemaakt van proteomische, transcriptomische en andere gegevenstypen om T-celsubpopulaties te identificeren en hun fysiologische toestand te karakteriseren. Dit kan vooral belangrijk zijn voor kwaliteitscontrole op gebieden zoals kankerimmunotherapie, waarbij subsets van donor-afgeleide T-cellen worden gekweekt en genetisch gemanipuleerd om tumorweefsel selectief aan te vallen en te doden. "Het vinden van relaties tussen genexpressie en verschillende fenotypes van cellen is extreem belangrijk voor de ontwikkeling van celtherapieën", zegt Nazarov. "Dat zijn taken die simpelweg niet kunnen worden opgelost met traditionele statistische methoden - alleen met machine-lerende algoritmen."

Het AI-ready lab

Op het gebied van AI zijn gegevens koning. De prestaties van algoritmen zijn sterk afhankelijk van de kwaliteit van zowel de trainingsgegevens als de experimentele resultaten die vervolgens worden ingevoerd.

ImmunoMind heeft het eerste aangepakt door een gecureerde trainingsdatabase samen te stellen op basis van multi-omische analyse van enorme aantallen immuuncellen. Het bedrijf biedt vervolgens een gebruiksvriendelijk portaal voor onderzoekers om op basis van deze gegevens inzichten te krijgen over hun eigen cellen. "We werken nauw samen met klanten om hen te helpen bij het ontwerpen van experimenten en kwaliteitscontrolemaatregelen om alle risico's in verband met batcheffecten en bias van niet-ideale experimenten uit te sluiten", zegt Nazarov. Het meer algemene beeldanalyse framework van mpVision wordt daarentegen getraind door de gebruiker; Chartier zegt dat slechts 20 representatieve beelden van een bepaald experimenteel proces voldoende kunnen zijn om de AI te trainen in het beoordelen van toekomstige gegevens van dezelfde pijplijn.

Voor geen van beide add-on's is een formele opleiding in AI of expertise in computationele biologie nodig, en gebruiksvriendelijke interfaces zijn een standaardonderdeel. Het hebben van de juiste onderliggende infrastructuur voor gegevensbeheer - zoals een laboratoriuminformatiebeheersysteem (LIMS) - is ook cruciaal om effectief gebruik te kunnen maken van AI-tools.

Zurabyan suggereert dat bedrijven de adoptie verder kunnen versnellen door personeel te hebben dat zich op deze taak richt. "Een goed ontvangen aanpak is het hebben van teamleiders die tijd en moeite besteden aan het maken van strategieën voor de implementatie van nieuwe technologieën binnen een specifiek tijdsbestek, met zeer duidelijke doelen en mijlpalen," zegt hij.

Voor laboratoriumpersoneel dat niet volledig begrijpt wat de algoritmes doen, is er een natuurlijke angst voor het onbekende - veel AI-systemen zijn inderdaad bekritiseerd als 'zwarte dozen' die vertrouwen op ingewikkelde en obscure processen. Maar AI-ontwikkelaars kunnen een zekere mate van transparantie bereiken door de onderliggende wiskundige modellen uit te leggen en controleprocedures aan te bieden waarmee gebruikers het werk van de machine kunnen controleren. Dit is vooral belangrijk voor wetenschappelijke software die bestemd is voor gebruik in streng gereguleerde omgevingen zoals GMP-faciliteiten (Good Manufacturing Practice). GxP-compliant ELNs zoals het eLabNext platform doen dit door automatisch de beweging van data te volgen en te loggen doorheen het systeem en zijn verschillende add-ons.

Chartier moedigt onderzoekers aan om AI-systemen te zien als een potentiële assistent voor hun reguliere onderzoeksroutine. "AI helpt hen gewoon om te doen waar ze goed in zijn, maar dan sneller en efficiënter."

Lees verder op Nature