Het laboratorium van de toekomst: AI en automatisering in het onderzoek

Inleiding

Wetenschappelijke laboratoria zijn altijd meegegroeid met de technologie. Van de ontwikkeling van steeds krachtigere microscopen tot geavanceerde analyse-instrumenten en geautomatiseerde gegevenssystemen: elke generatie laboratoriumtechnologie heeft veranderingen teweeggebracht in wat onderzoekers kunnen waarnemen, meten en begrijpen.

Vandaag de dag is er weer een grote transformatie gaande.

Automatisering, kunstmatige intelligentie, onderling verbonden instrumenten en geavanceerde gegevensanalyse beginnen de manier waarop moderne laboratoria werken ingrijpend te veranderen. In plaats van volledig te vertrouwen op afzonderlijke instrumenten en handmatig geregistreerde resultaten, kunnen laboratoria in toenemende mate onderling verbonden onderzoeksomgevingen opzetten waarin apparatuur, software en onderzoekers samenwerken.

Het laboratorium van de toekomst is daarom niet simpelweg een ruimte vol geavanceerdere apparatuur. Het is een intelligente onderzoeksomgeving die is ontworpen om wetenschappelijk werk efficiënter, reproduceerbaarder en datagestuurd te maken.

Automatisering verandert het routinematige laboratoriumwerk

Veel laboratoriumprocedures bestaan uit repetitieve taken. Het voorbereiden van monsters, het doseren van vloeistoffen, het ordenen van proefstukken en het vastleggen van metingen kunnen veel tijd van onderzoekers in beslag nemen.

Automatisering biedt een alternatief.

Robotgestuurde vloeistofverwerkingssystemen, geautomatiseerde monsterverwerkers en programmeerbare laboratoriuminstrumenten kunnen gestandaardiseerde procedures herhaaldelijk uitvoeren onder vooraf gedefinieerde omstandigheden. Dit kan met name van grote waarde zijn wanneer honderden of duizenden monsters volgens dezelfde methodologie moeten worden verwerkt.

Automatisering maakt de rol van laboratoriumprofessionals niet per se overbodig. In plaats daarvan kan het veranderen waar onderzoekers hun tijd aan besteden.

Wanneer routinematige processen worden geautomatiseerd, kunnen wetenschappers zich meer concentreren op het opzetten van experimenten, het interpreteren van resultaten en het oplossen van problemen.

Consistentie is een ander potentieel voordeel. Zelfs ervaren laboratoriummedewerkers kunnen kleine afwijkingen veroorzaken wanneer ze een procedure handmatig vele malen herhalen. Goed geconfigureerde geautomatiseerde systemen kunnen repetitieve handelingen consistent uitvoeren, hoewel hun prestaties nog steeds afhankelijk zijn van kalibratie, onderhoud en passende validatie.

Kunstmatige intelligentie doet zijn intrede in het laboratorium

Kunstmatige intelligentie wordt steeds zichtbaarder in verschillende wetenschappelijke disciplines.

Moderne laboratoria kunnen enorme hoeveelheden informatie genereren. Genoomsequencing, microscopie, analytische chemie en high-throughput screening kunnen datasets opleveren die miljoenen afzonderlijke metingen bevatten.

Het kan een uitdaging zijn om zinvolle verbanden te vinden binnen dergelijke datasets.

Algoritmen voor machine learning kunnen wetenschappers helpen patronen te herkennen, waarnemingen te classificeren en informatie te prioriteren voor verder onderzoek.

Microscopie is hiervan een goed voorbeeld. In plaats van dat onderzoekers elk beeld handmatig moeten bekijken, kunnen computervisiesystemen helpen bij het identificeren en categoriseren van kenmerken in grote beeldcollecties.

AI kan ook analytische workflows ondersteunen door onderzoekers te helpen bij het herkennen van ongebruikelijke resultaten of verbanden die nader onderzoek verdienen.

Kunstmatige intelligentie mag echter niet worden verward met wetenschappelijk bewijs. Een algoritme kan statistische patronen herkennen, maar die patronen moeten nog steeds worden getoetst en geïnterpreteerd aan de hand van gevestigde wetenschappelijke methoden.

Het laboratorium van de toekomst zal daarom waarschijnlijk computationele intelligentie combineren met menselijk wetenschappelijk oordeel.

Verbonden instrumenten en het slimme laboratorium

Een van de grootste veranderingen vindt wellicht achter de schermen plaats.

Traditioneel werkt laboratoriumapparatuur vaak onafhankelijk van elkaar. Een onderzoeker kan metingen van het ene instrument verkrijgen, deze handmatig overzetten naar een ander programma en de resultaten uiteindelijk in een rapport verwerken.

Verbonden laboratoriumomgevingen zijn erop gericht deze versnippering te verminderen.

Moderne instrumenten kunnen steeds vaker communiceren met laboratoriuminformatiesystemen en andere softwareplatforms. Metingen kunnen digitaal worden vastgelegd, aan het juiste experiment worden gekoppeld en in gecentraliseerde onderzoeksdossiers worden opgenomen.

Dit vormt de basis voor wat soms wordt omschreven als een slim laboratorium.

Stel je een experiment voor waarbij omgevingssensoren continu temperatuur en luchtvochtigheid registreren, terwijl analytische apparatuur automatisch metingen genereert. In plaats van afzonderlijke dossiers bij te houden, kan de informatie mogelijk worden samengebracht in een gestructureerde digitale omgeving.

Onderzoekers kunnen dan niet alleen de uiteindelijke experimentele resultaten bestuderen, maar ook de omstandigheden waaronder die resultaten tot stand zijn gekomen.

Beter gegevensbeheer betekent beter onderzoek

De moderne wetenschap is in toenemende mate afhankelijk van gegevens.

Naarmate laboratoria steeds digitaler worden, wordt het bijhouden van nauwkeurige en traceerbare informatie net zo belangrijk als het bedienen van geavanceerde apparatuur.

Elektronische laboratoriumnotitieboeken en laboratoriuminformatiebeheersystemen kunnen onderzoekers helpen bij het organiseren van experimentele procedures, monsters, metingen en waarnemingen.

Digitale gegevens kunnen ook de samenwerking vergemakkelijken.

Onderzoekers die in verschillende afdelingen – of zelfs verschillende landen – werken, kunnen in principe gestandaardiseerde datasets bekijken zonder afhankelijk te zijn van handgeschreven notitieboeken of losstaande spreadsheets.

Maar digitalisering brengt nieuwe verantwoordelijkheden met zich mee.

Laboratoria moeten rekening houden met cyberbeveiliging, toegangscontroles, back-ups en het langdurig bewaren van gegevens. Gevoelige wetenschappelijke of medische informatie moet op de juiste manier worden beschermd.

Het laboratorium van de toekomst vereist daarom niet alleen expertise op het gebied van biologie of scheikunde, maar ook op het gebied van informatiebeheer.

Geavanceerde apparatuur vergroot de wetenschappelijke mogelijkheden

Automatisering en software krijgen veel aandacht, maar ook de fysieke laboratoriumapparatuur blijft zich ontwikkelen.

Moderne microscopen kunnen uiterst gedetailleerde digitale beelden vastleggen. Met massaspectrometrie kunnen verbindingen met buitengewone gevoeligheid worden geïdentificeerd en gekarakteriseerd. Sequentietechnologieën kunnen enorme hoeveelheden genetische informatie genereren, terwijl geavanceerde chromatografiesystemen onderzoekers helpen bij het scheiden en analyseren van complexe mengsels.

Leveranciers van laboratoriumapparatuur evolueren mee met deze technologieën.

Bedrijven die actief zijn in de sector van wetenschappelijke apparatuur, waaronder Zwitsers Lab, maken deel uit van het bredere ecosysteem dat hedendaagse laboratoriumomgevingen ondersteunt met laboratoriumapparatuur en op onderzoek gerichte oplossingen. Naarmate laboratoria steeds geavanceerder worden, wordt toegang tot geschikte instrumenten en betrouwbare laboratoriuminfrastructuur een belangrijk onderdeel van het opzetten van efficiënte onderzoeksworkflows.

De apparatuur zelf vormt echter slechts één onderdeel van een modern laboratorium. De grootste voordelen komen pas tot uiting wanneer instrumentatie wordt gecombineerd met de juiste procedures, opgeleid personeel en betrouwbare systemen voor gegevensbeheer.

Voorspellend onderhoud kan stilstandtijd verminderen

Wetenschappelijke instrumenten kunnen duur zijn, en onverwachte storingen kunnen experimenten onderbreken of hele onderzoeksprojecten vertragen.

Aangesloten sensoren en intelligente monitoringsystemen kunnen een alternatieve oplossing bieden.

In plaats van te wachten tot apparatuur defect raakt, kunnen laboratoria de operationele parameters monitoren en letten op signalen die erop wijzen dat onderhoud nodig is.

Deze aanpak staat algemeen bekend als voorspellend onderhoud.

Software kan bijvoorbeeld temperatuurschommelingen, drukwaarden, bedrijfsuren of andere apparatuurspecifieke metingen monitoren. Ongewone patronen kunnen aanleiding geven tot een inspectie voordat er een ernstiger probleem ontstaat.

Voor laboratoria waar kritieke apparatuur continu draait, kan het voorkomen van onverwachte stilstand de operationele efficiëntie aanzienlijk verbeteren.

Digitale tweelingen en virtueel experimenteren

Een ander opkomend concept is de digitale tweeling.

Een digitale tweeling is in wezen een virtuele weergave van een fysiek systeem. Informatie uit het echte systeem kan worden gebruikt om de digitale tegenhanger te onderhouden en bij te werken.

De technologie wordt al onderzocht in de techniek en productie, en soortgelijke concepten zouden steeds relevanter kunnen worden voor wetenschappelijk onderzoek.

Onderzoekers kunnen uiteindelijk gebruikmaken van geavanceerde simulaties om experimentele omstandigheden te verkennen voordat ze laboratoriummiddelen inzetten.

Computermodellen kunnen fysieke experimenten niet vervangen, met name wanneer biologische of chemische systemen nog niet volledig worden begrepen. Toch kunnen simulaties onderzoekers helpen het aantal omstandigheden te beperken waarvoor fysieke tests nodig zijn.

Het combineren van computationele modellering met laboratoriumexperimenten zou daarom bepaalde onderzoeksworkflows kunnen versnellen.

Robotica en high-throughput-onderzoek

Sommige wetenschappelijke vraagstukken vereisen dat onderzoekers een enorm aantal mogelijkheden onderzoeken.

De ontwikkeling van geneesmiddelen is hiervan een duidelijk voorbeeld. Onderzoekers moeten mogelijk grote bibliotheken met moleculen onderzoeken voordat ze kandidaten kunnen identificeren die het waard zijn om nader te bestuderen.

Geautomatiseerde platforms kunnen repetitieve experimentele procedures uitvoeren op een schaal die met handmatig werk alleen uiterst moeilijk zou zijn.

Robotica kan monsters voorbereiden, laboratoriumplaten verplaatsen, compatibele instrumenten bedienen en metingen verzamelen.

AI kan vervolgens helpen bij het analyseren van de verkregen informatie.

De combinatie van robotica en computationele analyse creëert een krachtige cyclus: geautomatiseerde apparatuur genereert gegevens, software analyseert de resultaten en onderzoekers gebruiken die bevindingen om te bepalen wat er vervolgens moet worden onderzocht.

Duurzaamheid wordt een onderdeel van laboratoriumontwerp

In het laboratorium van de toekomst moet ook rekening worden gehouden met milieu-efficiëntie.

Wetenschappelijke laboratoria kunnen aanzienlijke hoeveelheden elektriciteit verbruiken en grote hoeveelheden afvalmateriaal produceren. Vrieskasten, ventilatiesystemen, analytische instrumenten en andere apparatuur kunnen continu in bedrijf zijn.

Onderzoekers en laboratoriummanagers zoeken daarom naar manieren om onnodig verbruik van hulpbronnen te verminderen.

Energiezuinige apparatuur, geoptimaliseerde ventilatie, verantwoord beheer van chemicaliën en verbeterde recyclingprogramma’s kunnen allemaal bijdragen aan duurzamere laboratoria.

Automatisering kan ook helpen door onnodig verbruik van reagentia te verminderen via nauwkeurigere dosering en gestandaardiseerde procedures.

Duurzaamheid betekent niet dat er concessies moeten worden gedaan aan de wetenschappelijke kwaliteit. Het doel is om onnodig verbruik in kaart te brengen met behoud van de integriteit van de experimenten en de veiligheid in het laboratorium.

Wetenschappers blijven centraal staan

Discussies over AI en robotica wekken soms de indruk dat laboratoria in de toekomst zonder mensen zullen functioneren.

Dat geldt waarschijnlijk niet voor het grootste deel van het wetenschappelijk onderzoek.

Machines zijn bijzonder effectief in repetitieve taken, het verwerken van grote datasets en het uitvoeren van nauwkeurig gedefinieerde bewerkingen. Mensen blijven onmisbaar voor het stellen van zinvolle wetenschappelijke vragen, het ontwerpen van experimenten, het herkennen van onverwachte waarnemingen en het beoordelen of resultaten daadwerkelijk logisch zijn.

Wetenschappelijke ontdekkingen vereisen ook creativiteit.

Een algoritme kan weliswaar een correlatie detecteren, maar onderzoekers moeten vaststellen waarom die relatie zou kunnen bestaan en hoe deze kan worden getoetst.

De laboratoriummedewerker van de toekomst zal daarom wellicht anders gaan werken in plaats van te verdwijnen.

Wetenschappers zouden minder tijd kunnen besteden aan het handmatig overzetten van informatie of het herhalen van routinematige procedures, en meer tijd aan het interpreteren van resultaten, het ontwerpen van experimenten en interdisciplinaire samenwerking.

Het laboratorium van morgen bouwen

De overgang naar slimmere laboratoria zal niet van de ene op de andere dag plaatsvinden.

Sommige onderzoeksinstellingen maken al gebruik van sterk geautomatiseerde systemen, terwijl kleinere laboratoria wellicht nog vele jaren grotendeels conventionele werkprocessen zullen blijven hanteren.

Kosten, infrastructuur, opleiding van het personeel en compatibiliteit tussen apparatuur kunnen allemaal van invloed zijn op de invoering ervan.

Ook standaardisatie zal steeds belangrijker worden. Een laboratorium met geavanceerde instrumenten heeft er weinig aan als die systemen niet op betrouwbare wijze informatie kunnen uitwisselen.

Fabrikanten, softwareontwikkelaars, laboratoriumleveranciers en onderzoeksorganisaties zullen daarom moeten toewerken naar wetenschappelijke omgevingen die beter op elkaar aansluiten.

Een nieuw tijdperk van wetenschappelijk onderzoek

Het laboratorium van de toekomst zal worden gekenmerkt door integratie.

Automatisering kan repetitieve procedures overnemen. Kunstmatige intelligentie kan onderzoekers helpen bij het analyseren van steeds complexere datasets. Onderling verbonden instrumenten kunnen de stroom van experimentele informatie verbeteren, terwijl geavanceerde analytische technologieën de meetmogelijkheden van wetenschappers blijven uitbreiden.

Tegelijkertijd kunnen digitale registraties, voorspellend onderhoud, robotica en duurzamere laboratoriumpraktijken de infrastructuur rondom wetenschappelijke ontdekkingen verbeteren.

Geen van deze technologieën doet afbreuk aan de fundamentele principes van de wetenschap. Experimenten vereisen nog steeds passende controles. Instrumenten moeten worden gekalibreerd. Resultaten moeten reproduceerbaar zijn en conclusies moeten onderbouwd blijven door bewijs.

Wat technologie wel kan veranderen, is hoe efficiënt onderzoekers tot die conclusies komen.

Het slimste laboratorium is niet per se het laboratorium met de meeste machines of de meest geavanceerde AI. Het is het laboratorium dat mensen, apparatuur, automatisering en betrouwbare gegevens succesvol combineert tot een onderzoeksomgeving waarin elk onderdeel de andere ondersteunt.

Die combinatie zou wel eens bepalend kunnen zijn voor de volgende generatie wetenschappelijke ontdekkingen.