データを役立つようにする

David Hardy が、LIMS とデータ分析が実用的な洞察をどのように提供するかを明らかにします

バイオ医薬品ラボには、どのプロジェクトを進めるかの意思決定に役立つデータが豊富にあります。 しかし、データは実験から得られるものだとほとんどの人が考えていますが、研究室のあらゆるプロセスは、残っている試薬の量から機器の状態に至るまで、活用されるのを待っている未開発のデータの宝庫を提供します。 このすべてのデータは、うまく使用すると、次のような多くの利点を研究室にもたらします。 規制の遵守を可能にする。 生産性の向上。

しかし、このデータを収集して使用することは、最初に考えられるほど簡単ではありません。 研究室のプロセスの多くは依然として手動で行われており、データは自動的に収集されません。 また、データが収集される場合、多くの場合、データはサイロ化されています。これは、科学者が点と点を結び付けてリアルタイムの更新情報を収集することができないことを意味します。

データの量が不十分であったり、データが接続されていないと、研究室のプロセスが遅くなり、生産性やイノベーションが阻害される可能性があります。 これは、データを分析に使用できないことを意味するだけでなく、コラボレーション、ひいてはプロジェクトの進行も制限します。 また、意思決定は依然としてリアルタイムではなく事後的に行われているため、遅れが生じ、コストが発生します。

研究室情報管理システム (LIMS) は、研究室全体のさまざまなソースからのデータを 1 つにまとめ、ユーザーが即座に行動できるようにする情報に変換する、欠けているパズルのピースです。 ここでは、LIMS をラボのデータ管理に使用して、データを活用して効率を高め、コストを削減する方法を説明します。

LIMS は、サンプルのサンプリング、受信、完成の日付など、ラボ全体の多くのプロセスから情報をデジタル的に収集します。 サンプルごとにこのデータを記録すると、ラボの効率を高めるために使用できる豊富な情報が得られます。

取得したデータはデータマイニングなど、さまざまな方法で使用でき、ユーザーは特定の時間枠で実行されたサンプル数などのラボのパフォーマンス指標に関する追加の洞察を得ることができます。 さらに、ユーザーはボトルネックを簡単に特定できるため、問題を修正でき、最終的にはコストを削減できます。

LIMS データはサンプルをはるかに超えており、トレーニング記録から電子アナリスト ノートに記録された非構造化データに至るまでの側面を含むことができます。 収集されたデータは、ラボ操作、システム管理、科学的洞察という 3 つの異なるカテゴリに大まかに分類できます。 これらの領域を組み合わせた結果、さらなる分析に備えた非常に詳細なデータセットが得られます。

データ分析ソリューションは、LIMS によって収集されたデータをアクションに変えることができます。 また、問題を簡素化するために、一部の LIMS にはデータ分析が統合されています。つまり、データをエクスポートする必要がなく、データ ガバナンスが維持されます。 自動データ分析は、ビジネス インテリジェンス (BI) と機械学習 (ML) という 2 つの主要領域を支援できます。

ラボを円滑に運営するには、運用上および管理上のボトルネックを迅速に特定する機能が不可欠です。 BI ダッシュボードは、ラボ管理者が理解を深め、データの洞察を行動に移すことを可能にするツールです。 使用する LIMS に応じて、さまざまなビジネス インテリジェンス機能が利用可能になります。

たとえば、バイオ医薬品研究室の重要な側面の 1 つは、試薬と消耗品の十分な供給を確保することです。 これらの重要なコンポーネントが不足すると、大幅な遅延が発生し、研究室がプロジェクトの期限に間に合わなくなる可能性があります。 一部の LIMS には在庫概要ダッシュボード (図 1) が付属しており、ユーザーは消耗品の場所と在庫状況を確認したり、新しい在庫を注文したりすることもできます。 この情報は、消耗品の使用法と配布状況をより深く理解し、ラボの作業負荷を管理するのに役立ちます。

ただし、在庫概要は一例にすぎません。ダッシュボードには、機器の稼働時間、アナリストの作業負荷、機器のメンテナンスなど、ビジネスにとって重要な他の多くの側面が含まれています。

ML をいくつかの方法で LIMS データに適用すると、バイオ医薬品研究室に予測などの重要な科学的洞察を提供できます。

高品質の履歴データを使用して ML モデルをトレーニングすると、将来の結果値を予測できるようになります。 結果データはまだ取得中であるため、このような洞察はプロジェクトに優先順位を付けるための基盤となります。

失敗する可能性が低いプロジェクトを進めることで、コストを節約できます。 しかし、これをより少ないテストで実現できたらどうなるでしょうか? 研究室は ML を LIMS データに適用して、全体的な結果に対する各テストの相対的な重要性を見つけることができます。 これにより、ラボは最も重要なテストを最初に実行し、その後、最も有望な候補を進めることができます。

ある試験研究では、薬物活性を予測するために ML が使用されました。 研究チームは、1,700 個の小分子のデータセットを調査し、32 の異なる化学的性質を調べました (図 2)。 ML モデルをトレーニングすると、化合物の活性にとって最も重要な変数である LogP、回転可能な結合の数、極性表面、分子量が見つかりました。これらはすべて、システムには認識されていませんが、重要なリピンスキー記述子です。

データは研究室の成功にとって絶対に不可欠ですが、それはデータが適切に収集され、デジタル的に接続された場合に限られます。 LIMS とそれに関連するデータ分析ソリューションは、データを効果的に収集し、研究室の運営、システム管理、科学的洞察をサポートするための実用的な洞察を可能にします。 これらの機能を採用することによってのみ、世界中の研究室が効率の向上、コストの削減、そして最終的には効果的な医薬品をより迅速に開発して提供するための意思決定を推進することができます。

David Hardy 博士は、T 社のデータ分析および AI イネーブルメント担当シニア マネージャーです。ハーモ フィッシャー サイエンティフィック