Fremtidens laboratorium: AI og automatisering i forskningen

Innledning

Vitenskapelige laboratorier har alltid utviklet seg i takt med teknologien. Fra utviklingen av stadig kraftigere mikroskoper til sofistikerte analyseinstrumenter og datastyrte datasystemer har hver generasjon av laboratorieteknologi endret hva forskere kan observere, måle og forstå.

I dag er en ny stor forandring i gang.

Automatisering, kunstig intelligens, tilkoblede instrumenter og avansert dataanalyse begynner å endre måten moderne laboratorier fungerer på. I stedet for å stole helt på isolerte instrumenter og manuelt registrerte resultater, kan laboratorier i stadig større grad bygge sammenkoblede forskningsmiljøer der utstyr, programvare og forskere samarbeider.

Fremtidens laboratorium er derfor ikke bare et rom fylt med mer avansert utstyr. Det er et intelligent forskningsmiljø utformet for å gjøre det vitenskapelige arbeidet mer effektivt, reproduserbart og datadrevet.

Automatisering endrer rutinearbeidet i laboratoriet

Mange laboratorieprosedyrer innebærer repetitive oppgaver. Å forberede prøver, dosere væsker, organisere prøver og registrere målinger kan ta opp betydelig tid for forskerne.

Automatisering tilbyr et alternativ.

Robotiserte væskehåndteringssystemer, automatiserte prøvebehandlere og programmerbare laboratorieinstrumenter kan utføre standardiserte prosedyrer gjentatte ganger under forhåndsdefinerte forhold. Dette kan være spesielt verdifullt når hundrevis eller tusenvis av prøver må behandles ved hjelp av samme metodikk.

Automatisering eliminerer ikke nødvendigvis rollen til laboratoriepersonell. I stedet kan den endre hvor forskerne bruker tiden sin.

Når rutineprosesser automatiseres, kan forskere konsentrere seg mer om eksperimentell utforming, tolkning og feilsøking.

Konsistens er en annen potensiell fordel. Selv erfarne laboratorieansatte kan innføre små variasjoner når de gjentar en prosedyre manuelt mange ganger. Riktig konfigurerte automatiserte systemer kan utføre repeterende handlinger på en konsistent måte, selv om ytelsen deres fortsatt avhenger av kalibrering, vedlikehold og riktig validering.

Kunstig intelligens gjør sitt inntog i laboratoriet

Kunstig intelligens blir stadig mer synlig på tvers av vitenskapelige fagområder.

Moderne laboratorier kan generere enorme mengder informasjon. Genomsekvensering, mikroskopi, analytisk kjemi og screening med høy gjennomstrømning kan produsere datasett som inneholder millioner av individuelle målinger.

Det kan være utfordrende å finne meningsfulle sammenhenger i slike datasett.

Algoritmer for maskinlæring kan hjelpe forskere med å identifisere mønstre, klassifisere observasjoner og prioritere informasjon for videre undersøkelse.

Mikroskopi er et nyttig eksempel. I stedet for at forskere manuelt undersøker hvert enkelt bilde, kan datavisjonssystemer bistå med å identifisere og kategorisere trekk i store bildesamlinger.

AI kan også støtte analytiske arbeidsflyter ved å hjelpe forskere med å gjenkjenne uvanlige resultater eller sammenhenger som fortjener nærmere undersøkelse.

Kunstig intelligens bør imidlertid ikke forveksles med vitenskapelig bevis. En algoritme kan identifisere statistiske mønstre, men disse mønstrene må fortsatt testes og tolkes gjennom etablerte vitenskapelige metoder.

Fremtidens laboratorium vil derfor sannsynligvis kombinere databehandlet intelligens med menneskelig vitenskapelig skjønn.

Tilkoblede instrumenter og det smarte laboratoriet

En av de største endringene skjer kanskje bak kulissene.

Tradisjonelt har laboratorieutstyr ofte fungert uavhengig av hverandre. En forsker kan for eksempel ta målinger fra ett instrument, overføre dem manuelt til et annet program og til slutt innlemme resultatene i en rapport.

Tilkoblede laboratoriemiljøer har som mål å redusere denne fragmenteringen.

Moderne instrumenter kan i stadig større grad kommunisere med laboratorieinformasjonssystemer og andre programvareplattformer. Målinger kan registreres digitalt, knyttes til det riktige eksperimentet og innarbeides i sentraliserte forskningsregistre.

Dette legger grunnlaget for det som noen ganger beskrives som et smart laboratorium.

Tenk deg et eksperiment der miljøsensorer kontinuerlig registrerer temperatur og fuktighet, mens analyseutstyret genererer målinger automatisk. I stedet for å føre separate registre, kan informasjonen potensielt samles i et strukturert digitalt miljø.

Forskere kan da undersøke ikke bare de endelige eksperimentresultatene, men også forholdene under hvilke disse resultatene ble produsert.

Bedre datahåndtering betyr bedre forskning

Moderne vitenskap er i stadig større grad avhengig av data.

Etter hvert som laboratoriene blir mer digitale, blir det like viktig å opprettholde nøyaktig og sporbar informasjon som å betjene avansert utstyr.

Elektroniske laboratorienotatbøker og laboratorieinformasjonsstyringssystemer kan hjelpe forskere med å organisere eksperimentelle prosedyrer, prøver, målinger og observasjoner.

Digitale opptegnelser kan også gjøre samarbeidet enklere.

Forskere som jobber i ulike avdelinger – eller til og med i ulike land – kan potensielt gå gjennom standardiserte datasett uten å være avhengige av håndskrevne notatbøker eller isolerte regneark.

Men digitalisering medfører nye forpliktelser.

Laboratoriene må ta hensyn til cybersikkerhet, tilgangskontroll, sikkerhetskopiering og langsiktig datalagring. Sensitiv vitenskapelig eller medisinsk informasjon må beskyttes på en hensiktsmessig måte.

Fremtidens laboratorium krever derfor kompetanse ikke bare innen biologi eller kjemi, men også innen informasjonshåndtering.

Avansert utstyr utvider de vitenskapelige mulighetene

Automatisering og programvare får betydelig oppmerksomhet, men det fysiske laboratorieutstyret utvikler seg også stadig videre.

Moderne mikroskoper kan ta ekstremt detaljerte digitale bilder. Massespektrometri kan identifisere og karakterisere forbindelser med enestående følsomhet. Sekvenseringsteknologier kan generere enorme mengder genetisk informasjon, mens sofistikerte kromatografisystemer hjelper forskere med å skille ut og analysere komplekse blandinger.

Laboratorieleverandørene utvikler seg i takt med disse teknologiene.

Bedrifter som opererer innenfor sektoren for vitenskapelig utstyr, inkludert Zwitsers Lab, utgjør en del av det bredere økosystemet som støtter moderne laboratoriemiljøer gjennom laboratorieutstyr og forskningsfokuserte løsninger. Etter hvert som laboratoriene blir stadig mer sofistikerte, blir tilgang til passende instrumenter og pålitelig laboratorieinfrastruktur en viktig del av å bygge effektive forskningsarbeidsflyter.

Selve utstyret utgjør imidlertid bare én komponent i et moderne laboratorium. De største fordelene oppnås når instrumenteringen kombineres med egnede prosedyrer, opplært personell og pålitelige datahåndteringssystemer.

Forebyggende vedlikehold kan redusere driftsstans

Vitenskapelige instrumenter kan være kostbare, og uventede utstyrssvikt kan avbryte eksperimenter eller forsinke hele forskningsprosjekter.

Tilkoblede sensorer og intelligente overvåkingssystemer kan være en annen løsning.

I stedet for å vente på at utstyret skal svikte, kan laboratoriene overvåke driftsparametere og se etter tegn på at vedlikehold kan være nødvendig.

Denne tilnærmingen er kjent som forebyggende vedlikehold.

For eksempel kan programvare overvåke temperatursvingninger, trykkmålinger, driftstimer eller andre utstyrsspesifikke målinger. Uvanlige mønstre kan utløse en inspeksjon før et mer alvorlig problem oppstår.

For laboratorier som kjører kritisk utstyr kontinuerlig, kan forebygging av uventet driftsstans forbedre driftseffektiviteten betydelig.

Digitale tvillinger og virtuelle eksperimenter

Et annet konsept som er i ferd med å slå gjennom, er den digitale tvillingen.

En digital tvilling er i hovedsak en virtuell representasjon av et fysisk system. Informasjon fra det virkelige systemet kan brukes til å vedlikeholde og oppdatere den digitale tvillingen.

Teknologien utforskes allerede innen ingeniørfag og produksjon, og lignende konsepter kan bli stadig mer relevante for vitenskapelig forskning.

Forskere kan etter hvert bruke avanserte simuleringer til å utforske eksperimentelle forhold før de setter inn laboratorieressurser.

Datamodeller kan ikke erstatte fysiske eksperimenter, særlig når biologiske eller kjemiske systemer ikke er fullstendig forstått. Likevel kan simuleringer hjelpe forskere med å begrense antallet forhold som krever fysisk testing.

Å kombinere datamodellering med laboratorieeksperimenter kan derfor fremskynde visse forskningsarbeidsflyter.

Robotikk og høykapasitetsforskning

Noen vitenskapelige spørsmål krever at forskere undersøker et enormt antall muligheter.

Legemiddelutvikling er et tydelig eksempel. Forskere kan ha behov for å undersøke store biblioteker av molekyler før de identifiserer kandidater som er verdige en dypere undersøkelse.

Automatiserte plattformer kan utføre repetitive eksperimentelle prosedyrer i en skala som ville være ekstremt vanskelig å oppnå ved manuelt arbeid alene.

Robotikk kan forberede prøver, flytte laboratorieplater, betjene kompatible instrumenter og samle inn målinger.

Deretter kan AI bidra til å analysere den resulterende informasjonen.

Kombinasjonen av robotikk og databehandling skaper en kraftfull syklus: automatisert utstyr genererer data, programvare analyserer resultatene, og forskere bruker disse funnene til å avgjøre hva som bør undersøkes videre.

Bærekraft blir en del av laboratoriedesign

Fremtidens laboratorium må også ta hensyn til miljøeffektivitet.

Vitenskapelige laboratorier kan forbruke betydelige mengder strøm og generere store mengder engangsmateriale. Frysere, ventilasjonssystemer, analyseinstrumenter og annet utstyr kan være i kontinuerlig drift.

Forskere og laboratorieledere utforsker derfor måter å redusere unødvendig ressursforbruk på.

Energieffektivt utstyr, optimalisert ventilasjon, ansvarlig kjemikaliehåndtering og forbedrede gjenvinningsprogrammer kan alle bidra til mer bærekraftige laboratorier.

Automatisering kan også bidra ved å redusere unødvendig forbruk av reagenser gjennom mer presis dosering og standardiserte prosedyrer.

Bærekraft betyr ikke at man går på akkord med den vitenskapelige kvaliteten. Målet er å identifisere unødvendig forbruk samtidig som man ivaretar eksperimentets integritet og sikkerheten i laboratoriet.

Forskere vil fortsatt stå i sentrum

Diskusjoner om AI og robotikk gir noen ganger inntrykk av at fremtidens laboratorier vil drives uten mennesker.

Det er neppe en beskrivelse som passer på det meste av vitenskapelig forskning.

Maskiner er spesielt effektive når det gjelder repetitive oppgaver, behandling av store datasett og utførelse av presist definerte operasjoner. Mennesker er fortsatt uunnværlige når det gjelder å stille meningsfulle vitenskapelige spørsmål, utforme eksperimenter, gjenkjenne uventede observasjoner og avgjøre om resultatene faktisk gir mening.

Vitenskapelige oppdagelser krever også kreativitet.

En algoritme kan oppdage en sammenheng, men forskerne må finne ut hvorfor denne sammenhengen kan eksistere og hvordan den kan testes.

Fremtidens laboratoriepersonell vil derfor trolig arbeide på en annen måte, snarere enn å forsvinne.

Forskere vil kunne bruke mindre tid på manuell overføring av informasjon eller gjentakelse av rutineprosedyrer, og mer tid på å tolke resultater, utforme eksperimenter og samarbeide på tvers av fagområder.

Å bygge morgendagens laboratorium

Overgangen til smartere laboratorier vil ikke skje over natten.

Noen forskningsinstitusjoner bruker allerede svært automatiserte systemer, mens mindre laboratorier kanskje vil fortsette å bruke stort sett konvensjonelle arbeidsflyter i mange år fremover.

Kostnader, infrastruktur, opplæring av personale og kompatibilitet mellom utstyr kan alle påvirke innføringen.

Standardisering vil også bli stadig viktigere. Et laboratorium med avanserte instrumenter har begrenset nytte av disse systemene hvis de ikke kan utveksle informasjon på en pålitelig måte.

Produsenter, programvareutviklere, laboratorieleverandører og forskningsorganisasjoner må derfor arbeide for mer interoperable vitenskapelige miljøer.

En ny æra innen vitenskapelig forskning

Fremtidens laboratorium vil være preget av integrasjon.

Automatisering kan håndtere repetitive prosedyrer. Kunstig intelligens kan hjelpe forskere med å analysere stadig mer komplekse datasett. Tilkoblede instrumenter kan forbedre flyten av eksperimentell informasjon, mens avanserte analyseteknologier fortsetter å utvide hva forskere kan måle.

Samtidig kan digitale registreringer, forebyggende vedlikehold, robotikk og mer bærekraftige laboratoriepraksiser forbedre infrastrukturen rundt vitenskapelige oppdagelser.

Ingen av disse teknologiene eliminerer de grunnleggende prinsippene i vitenskapen. Eksperimenter trenger fortsatt passende kontroller. Instrumenter må kalibreres. Resultatene må være reproduserbare, og konklusjonene må fortsatt være underbygget av bevis.

Det teknologien kan endre, er hvor effektivt forskerne når frem til disse konklusjonene.

Det smarteste laboratoriet vil ikke nødvendigvis være det som har flest maskiner eller den mest avanserte AI-en. Det vil være laboratoriet som lykkes med å kombinere mennesker, utstyr, automatisering og pålitelige data i et forskningsmiljø der hver komponent støtter de andre.

Den kombinasjonen kan komme til å definere neste generasjon av vitenskapelige oppdagelser.