artigo da revista Nature
eLab Blog

Como aproveitar ao máximo a IA na pesquisa biofarmacêutica

Por eLabNext 5 min de leitura 20 jun 2022

O aprendizado de máquina pode ajudar os pesquisadores a realizar tarefas científicas de forma mais rápida e eficaz - se os laboratórios tomarem medidas para garantir uma integração perfeita.

O Big Data chegou de fato e de direito. Mas, apesar de todo o seu imenso potencial, ele traz desafios sem precedentes para os pesquisadores do setor. "Os cientistas, desde os técnicos de pesquisa até os pesquisadores principais, passam tempo demais pesquisando dados", diz Zareh Zurabyan, diretor da eLabNext, especialista em digitalização de laboratórios.

Não demorará muito para que haja dados demais para serem gerenciados sem assistência. "A geração de dados em rápida aceleração superou a taxa em que os seres humanos podem digerir de forma significativa", diz o fundador e diretor administrativo do eLabNext, Erwin Seinen. "Isso significa que a inteligência artificial (IA) se tornará uma necessidade, e não apenas uma novidade, para a biotecnologia."

Há inúmeras oportunidades para o aprendizado de máquina (ML) e outras ferramentas baseadas em IA para transformar o processo de pesquisa. Esses algoritmos podem, por exemplo, gerenciar a execução de experimentos automatizados com vários instrumentos ou identificar padrões em um pipeline de pesquisa. Quando essas ferramentas são diretamente acopladas a cadernos de laboratório eletrônicos (ELNs), como o desenvolvido pelo eLabNext, torna-se possível integrar perfeitamente os recursos de IA ao fluxo de trabalho diário dos pesquisadores.

O uso de IA no desenvolvimento de medicamentos ainda não é comum. Pesquisa da Deloitte em 2021 descobriu que 38% das empresas biofarmacêuticas pesquisadas usam IA diariamente, embora outras 31% estejam investigando o uso de tais ferramentas.

"Em muitos casos, observamos que a alta gerência apoia totalmente a integração da IA em seu trabalho de pesquisa, descoberta de medicamentos e medicina de precisão", diz Taylor Chartier, fundadora e CEO da Modicus Prime, empresa de IA focada em ciências da vida. Mas ela ressalta que a introdução desses recursos pode ser um desafio. "As empresas farmacêuticas não são empresas de software." A digitalização eficaz requer acesso a ferramentas e serviços externos baseados em IA que minimizem a dificuldade de integração com os fluxos de trabalho existentes, acrescenta ela.

Para os laboratórios que não possuem software, há muitos benefícios na adoção de ferramentas de IA. A eLabNext está complementando sua plataforma ELN com dois add-ons de IA, desenvolvidos pela Modicus Prime e pela ImmunoMind, uma startup especializada em multi-ômica de célula única para o desenvolvimento de terapia celular, com o objetivo de atender perfeitamente às necessidades de dados dos laboratórios biofarmacêuticos, desde a análise de imagens até a identificação de células.

Como a IA pode ser útil?

Para os recém-chegados ao mundo da IA, pode ser difícil distinguir a propaganda da realidade em termos do que os sistemas podem fazer. "A IA em geral pode resolver três tipos de problemas", explica Vadim Nazarov, cofundador e CEO da ImmunoMind. "Ela pode automatizar tarefas pequenas e simples, aumentar o desempenho de algumas tarefas complicadas ou, se você tiver muitos dados, oferecer uma oportunidade de extrair insights."

Antes que uma empresa biofarmacêutica decida adotar um novo sistema baseado em IA, ela precisa ter uma compreensão clara dos problemas que deseja resolver e de como uma ferramenta pode simplificar ou aprimorar os processos existentes. Isso coloca sobre as empresas de IA o ônus de desenvolver ferramentas com aplicações claras e atraentes. "Existem algumas empresas de IA realmente incríveis que têm acesso a enormes quantidades de dados", diz Chartier. "Mas sempre que você introduz uma nova tecnologia, ela precisa ser muito relevante para o cliente específico."

Para a Modicus Prime, isso significou desenvolver uma ferramenta de análise de imagens baseada em IA que pode ser facilmente treinada para problemas específicos de pesquisa. Chartier observa que a análise e a interpretação de imagens computacionais estão entre as aplicações mais maduras da IA nas ciências da vida. O software mpVision de sua empresa pode analisar rapidamente a maioria das categorias de dados de imagens biotecnológicas. Por exemplo, os usuários podem discriminar células de interesse de outros tipos de células ou de detritos celulares, detectar anomalias durante a produção de medicamentos, caracterizar processos de cristalização ou realizar um rápido controle de qualidade em produtos biológicos em qualquer escala, desde a bancada do laboratório até o chão de fábrica.

O software da ImmunoMind foi projetado para aplicações imunológicas mais específicas, com base em dados proteômicos, transcriptômicos e outros tipos de dados para ajudar a identificar subpopulações de células T e caracterizar seu estado fisiológico. Isso pode ser especialmente importante para o controle de qualidade em áreas como a imunoterapia contra o câncer, em que subconjuntos de células T derivadas de doadores são cultivados e geneticamente manipulados para atingir e matar seletivamente o tecido tumoral. "Encontrar relações entre a expressão gênica e diferentes fenótipos celulares é extremamente importante para o desenvolvimento da terapia celular", diz Nazarov. "Essas são tarefas que simplesmente não podem ser resolvidas com métodos estatísticos tradicionais, apenas com algoritmos de aprendizado de máquina."

O laboratório pronto para IA

No campo da IA, os dados são fundamentais. O desempenho do algoritmo depende muito da qualidade dos dados de treinamento e dos resultados experimentais que o alimentam posteriormente.

A ImmunoMind abordou a primeira questão montando um banco de dados de treinamento com curadoria baseada na análise multiômica de um grande número de células imunológicas. Em seguida, a empresa fornece um portal de fácil utilização para que os pesquisadores extraiam percepções sobre suas próprias células com base nesses dados. "Trabalhamos em estreita colaboração com os clientes para ajudá-los a projetar experimentos e medidas de controle de qualidade para eliminar todos os riscos associados aos efeitos de lote e ao viés de experimentos não ideais", diz Nazarov. Em contrapartida, a estrutura de análise de imagens mais generalizada da mpVision é treinada pelo usuário; Chartier diz que apenas 20 imagens representativas de um determinado processo experimental podem ser suficientes para preparar a IA para avaliar dados futuros do mesmo pipeline.

Nenhum dos complementos requer treinamento formal em IA ou conhecimento especializado em biologia computacional, e as interfaces fáceis de usar são um componente padrão. Ter a infraestrutura correta de gerenciamento de dados subjacente, como um sistema de gerenciamento de informações laboratoriais (LIMS), também é fundamental para fazer uso eficaz das ferramentas de IA.

Zurabyan sugere que as empresas podem acelerar ainda mais a adoção com uma equipe focada nessa tarefa. "Uma abordagem bem recebida é ter líderes de equipe que dediquem tempo e esforço à elaboração de estratégias para a implementação de novas tecnologias dentro de um prazo específico, com metas e marcos bem claros", diz ele.

Para a equipe do laboratório que não entende totalmente o que os algoritmos estão fazendo, há um medo natural do desconhecido. Na verdade, muitos sistemas de IA foram criticados como "caixas pretas", que dependem de processos complicados e obscuros. Mas os desenvolvedores de IA podem obter uma medida de transparência explicando os modelos matemáticos subjacentes e fornecendo procedimentos de auditoria que permitam aos usuários verificar o trabalho da máquina. Isso é especialmente importante para softwares científicos destinados ao uso em ambientes rigorosamente regulamentados, como instalações de boas práticas de fabricação (GMP). ELNs compatíveis com GxP, como a plataforma eLabNext, fazem isso rastreando e registrando automaticamente o movimento de dados em todo o sistema e seus vários complementos.

Chartier incentiva os pesquisadores a pensar nos sistemas de IA como um possível assistente para sua rotina de pesquisa regular. "A IA está apenas ajudando-os a fazer o que fazem bem, mas com mais rapidez e eficiência."

 

mídia personalizada de pesquisa da natureza

Leia na Nature

Recomendado Para você

4 min de leitura 20 de junho de 2024
Por Zareh Zurabyan

5 Desafios operacionais para os biobancos

Explore os desafios operacionais enfrentados pelos biobancos, desde o gerenciamento da quantidade de amostras até a garantia da segurança dos dados e a preparação para desastres.

Leia mais
8 min de leitura 18 de junho de 2024
Por eLabNext

Garantindo a segurança dos dados de laboratório: Práticas recomendadas e tecnologias emergentes

Aumente a segurança dos dados de seu laboratório com nosso guia de práticas recomendadas. Proteja os dados confidenciais, reduza os riscos e explore as mais recentes soluções de gerenciamento de dados de laboratório.

Leia mais
4 min de leitura 13 de junho de 2024
Por Simon Delagrave, PhD

Para ter sucesso em P&D biofarmacêutico: fluxos de informações e planejamento antecipado

Saiba como a comunicação precisa e os dados formatados economizam tempo, aumentam a produtividade e alinham as partes interessadas, de investidores a autoridades regulatórias.

Leia mais

Comece sua jornada para um
laboratório completamente digitalizado!

Agende um teste personalizado para obter orientação de um especialista e uma avaliação gratuita do passo a passo de trabalho do laboratório.

pt_BRPT