Thử nghiệm thông lượng cao cải thiện kết quả hơn

Các chương trình HTE nhiên liệu tự động và tin học trong các lĩnh vực khoa học

HTE thường yêu cầu rô bốt, thiết bị thử nghiệm, bộ dụng cụ bán tự động hóa, pipet đa kênh, bộ phân phối chất rắn và bộ xử lý chất lỏng. Các thí nghiệm HTE được thiết kế tốt dẫn đến vô số dữ liệu thí nghiệm tạo nền tảng cho các quyết định kỹ thuật tốt hơn.

Công việc HTE hiệu quả đòi hỏi phải có cơ sở hạ tầng CNTT và tin học thích hợp để thu thập đầy đủ tất cả dữ liệu theo kiểu tuân thủ FAIR (có thể tìm thấy, truy cập, tương tác, tái sử dụng) Ngoài việc thu thập dữ liệu thô, kết quả và kết luận, có thể nâng cao quá trình này đáng kể bằng cách nắm bắt ý tưởng cũng như các thiết kế và thử nghiệm khác. Cải tiến này trong quản trị tri thức tối ưu hóa thử nghiệm. Một lợi ích bổ sung để cải thiện quản trị tri thức là tổ chức tốt hơn về sở hữu trí tuệ. Bao gồm cung cấp thông tin cơ sở và ngữ cảnh lý tưởng tạo cảm hứng trong quá trình thử nghiệm.

Các công cụ cần thiết cho một chương trình HTE hoạt động là thiết bị thông lượng cao cho các thử nghiệm nhanh và song song, các phương pháp tính toán để thiết kế các thử nghiệm và môi trường dữ liệu FAIR với hệ thống truy vấn và thiết kế tốt kho dữ liệu để truy xuất và sử dụng dữ liệu theo ý tưởng sau này và nâng cao thiết kế. Có nhiều lợi thế khi triển khai HTE, bao gồm khả năng tái tạo, đổi mới và hiệu quả cao hơn. HTE là lý tưởng để hoàn thành được nhiều hơn với nguồn lực ít hơn và thực hiện nhanh hơn. Để các phòng thử nghiệm nhận ra toàn bộ lợi ích của HTE, cần phải đầu tư kỹ lưỡng vào chiến lược, phần cứng và phần mềm. Đáng tiếc, nền tảng phần mềm cho các dự án HTE thường bị thiếu vốn hoặc bị lãng quên, dẫn đến mất giá trị và cơ hội.

HTE trong phòng thử nghiệm khoa học - sinh học

Hoàn thiện việc sàng lọc thông lượng cao và sàng lọc thông tin hữu ích để cho phép các nhà nghiên cứu sàng lọc thường xuyên và nhanh chóng hàng nghìn đến hàng triệu phân tử trong tế bào hoặc xét nghiệm sinh hóa. Quá trình này sử dụng nhiều kỹ thuật xét nghiệm và hình ảnh để xác định hoạt tính sinh học, dấu hiệu di truyền, chết tế bào, độc tính, liên kết và các điểm cuối sinh hóa, tế bào và mô khác. Công việc trên trở thành một yếu tố quan trọng của quá trình khám phá thuốc và đã cung cấp nhiều bài học kinh nghiệm cũng như kiến ​​thức quan trọng có giá trị để quyết định cho một ngành công nghiệp có cơ sở dữ liệu.

Trong khi các hệ thống thông tin trong phòng thử nghiệm mang lại giá trị to lớn bằng cách cho phép thiết bị tự động hóa trong phòng thử nghiệm và robot chạy sàng lọc thông lượng cao, giá trị thực có được từ việc thu thập dữ liệu hiệu quả cho phép các nhà khoa học tạo ra kiến ​​thức và thông tin chi tiết hữu ích. Bài học quan trọng từ quá trình này là sàng lọc có mục tiêu bằng cách sử dụng thiết kế thí nghiệm (DOE), tư duy khoa học và toán học phản biện sẽ mang lại thành công lớn hơn.

Phần cứng từ các nhà cung cấp như Tecan, Hamilton và Molecular Devices đã được chuyển đổi cho quá trình này. Bước tiến lớn tiếp theo đối với HTE sinh học có thể sẽ đến trong lĩnh vực trí tuệ nhân tạo (AI) và máy học (ML). Các phòng thử nghiệm nắm bắt được những tiến bộ này có thể sẽ là những phòng thử nghiệm dẫn đầu trong ngành công nghiệp này

HTE trong phòng thử nghiệm khoa học - hóa học

Sự ra đời của tổng hợp thông lượng cao đã tạo ra thị trường ban đầu cho tự động hóa phòng thử nghiệm và tin học để theo dõi mẫu và thu thập dữ liệu theo FAIR. Đáng tiếc, chỉ vì bạn có thể tổng hợp một phân tử không có nghĩa là nó sẽ là một sản phẩm thành công. Giờ đây, nghiên cứu có giá trị này được các nhà khoa học tính toán tận dụng để cải thiện các mô hình dự đoán cung cấp thông tin về ý tưởng và các thành phần thiết kế của chu trình.

Các nhà lãnh đạo nghiên cứu về tự động hóa phòng thử nghiệm tiếp tục đạt được những tiến bộ đáng kể trong thiết bị tổng hợp và nền tảng tự động hóa bằng cách giới thiệu các máy trạm mô-đun. Bước quan trọng tiếp theo sẽ đến với việc tích hợp các máy trạm vào hệ thống phân tích và CNTT của tổ chức. Không gian hóa học phân tích cũng đã áp dụng công nghệ HTE. Các nền tảng phân tích theo sát những nền tảng được sử dụng để chạy sàng lọc thông lượng cao.

HTE phân tích sử dụng các công cụ có khả năng hoàn thành phân tích theo cách nối tiếp nhanh chóng, cung cấp khả năng quay vòng nhanh các dữ liệu để đưa ra quyết định quan trọng. Như trường hợp của không gian hóa học, các phân tích dựa trên mảng khai thác tự động hóa ban đầu đã được tích hợp tốt với các hệ thống CNTT hiện có. Thường thực hiện việc tích hợp các hệ thống phân tích này và đầu ra của chúng với các công cụ mới hoặc hệ thống CNTT mới thông qua cơ sở dữ liệu trung gian, điều này có thể làm chậm các quy trình và việc ra quyết định quan trọng.

HTE trong phòng thử nghiệm khoa học - vật liệu

Khoa học vật liệu và đặc biệt là xúc tác, đặc trưng do sự khan hiếm dữ liệu so với các lĩnh vực kỹ thuật khác. Lý do chính là mối tương quan nghịch trong lĩnh vực công nghệ này giữa song song hóa hoặc thu nhỏ thường được HTE sử dụng và mở rộng quy mô. Việc sàng lọc phản ứng HTE ban đầu song song và thu nhỏ, nhưng phải chật vật để phù hợp với việc thúc đẩy tối ưu hóa ở quy mô lớn hơn. Sử dụng phương pháp tổ hợp nhanh chóng trở nên khó khăn đối với khoa học vật liệu. Ngày nay, tập trung vào thiết bị quy mô lớn hơn với khả năng song song hóa lò phản ứng tương đối hạn chế (bốn đến 16) tận dụng các điều kiện cho phép mở rộng quy mô dễ dàng hơn.

Bước tiến tiếp theo của HTE trong khoa học vật liệu có thể sẽ đến từ một kỹ thuật tính toán được gọi là học chủ động (AL). AL quan tâm đến việc tích hợp thu thập dữ liệu, DOE và khai thác dữ liệu. AL có thể khai thác tốt hơn khối lượng lớn dữ liệu thu được. Người học không phải là người thụ động nhận dữ liệu cần xử lý. Nhà nghiên cứu có quyền kiểm soát việc thu thập dữ liệu và phải chọn các mẫu để mang lại lợi ích lớn nhất từ việc xử lý dữ liệu trong tương lai. AL rất quan trọng khi mỗi điểm dữ liệu đều tốn kém và khả năng dự đoán kết quả không hoàn hảo. AL cũng sẽ cho phép chạy các thử nghiệm chọn lọc hơn để tối ưu hóa các thư viện dựa trên hiệu quả học kỹ thuật Những thách thức về phân tích dữ liệu trong HTE

HTE đã giúp tổng hợp vật liệu mới, thử nghiệm mẫu và mô tả đặc tính của vật liệu nhanh hơn. Các quy trình này tạo ra lượng dữ lệu khổng lồ là không thể chỉ riêng con người có thể xử lý và đưa ra quyết định tối ưu. Dữ liệu HTE thường yêu cầu các thuật toán điều chỉnh và tính toán hiệu suất cao để giải mã khối lượng lớn dữ liệu. Các nhà khoa học cần sự hiểu biết rõ ràng về khoa học cơ bản và sử dụng các hệ thống CNTT hiệu quả để tận dụng tối đa lượng dữ liệu khổng lồ do các thí nghiệm HTE tạo ra.

Thành công cao nhất thường đến từ sự kết hợp sổ ghi chép phòng thử nghiệm điện tử (ELN) và hệ thống quản lý thông tin phòng thử nghiệm (LIMS) để cung cấp các quy trình công việc yêu cầu, mẫu, thử nghiệm, kiểm tra, phân tích và báo cáo sẽ cho phép HTE chạy hiệu quả. Nền tảng khoa học Sapio Sciences Exemplar là một ví dụ về hệ thống kết hợp các mô-đun với phân tích và khai thác kiến thức. Một giải pháp thay thế là giải pháp xây dựng sử dụng phương pháp tiếp cận các thành phần kết hợp DOE, ELN, quản lý mẫu, phân tích / trực quan hóa và báo cáo từ các nguồn khác nhau. Thách thức với cách tiếp cận các thành phần là tích hợp các phần ứng dụng khác nhau, để toàn bộ hoạt động hiệu quả mà không cần sự tương tác đáng kể từ con người.

Tiềm năng cao, nhưng vẫn cón thách thức

Sự hứa hẹn về thử nghiệm thông lượng cao để cách mạng hóa cuộc sống và các ngành khoa học vật liệu vẫn chưa thực hiện được đầy đủ. Trong khi HTE vẫn chưa xác định được các phân tử thuốc trực tiếp từ sàng lọc thông lượng cao, nó sẽ tìm ra các phân tử chì từ đó phát triển các loại thuốc tiềm năng. Thường sử dụng tối ưu hóa HTE trong khoa học vật liệu và đời sống để cải thiện các tuyến kỹ thuật như năng suất, giảm chi phí và cải thiện tính bền vững. Tương lai quan trọng của các phương pháp HTE là tạo ra các quy trình hóa học xanh, thân thiện hơn với môi trường. Nhiều tổ chức R&D đã thực hiện các phương pháp tiếp cận hóa học xanh này.

Mặc dù có những cải tiến đáng kể trong HTE, việc quản lý dữ liệu, quy trình, tiêu chuẩn, ngữ cảnh hóa, siêu dữ liệu, tích hợp và DOE vẫn còn nhiều thách thức. HTE cung cấp cho các nhà khoa học khả năng thử nghiệm nhiều giả thuyết song song và đã tạo ra sự gia tăng dữ liệu theo cấp số nhân.

Tuy nhiên, vẫn còn nhiều khả năng để cải thiện các chỉ số chính đáng kể, chẳng hạn như thời gian chu kỳ nghiên cứu và giảm chi phí. Có vẻ như khả năng tạo dữ liệu, thông qua sự phát triển và cải tiến liên tục của các nền tảng tự động hóa, đã vượt xa khả năng tận dụng dữ liệu đó một cách tối ưu để nâng cao hiệu quả trong việc ra quyết định. Thu hẹp khoảng cách sẽ đòi hỏi sự phát triển của các mô hình dự đoán đáng tin cậy và cải thiện tích hợp với AI và ML.

Sau khi các phòng thử nghiệm được ngữ cảnh hóa phù hợp — tại thời điểm thu thập — dữ liệu được sắp xếp hợp lý, chúng có thể tạo ra giá trị tối đa từ dữ liệu. Tiếp theo, tác động của AI và ML,  có thể thực hiện chiến lược ưu tiên mô hình hoặc mô hình thung lũng silico. Các phòng thử nghiệm kết hợp thành công dữ liệu lớn với AI và ML bằng cách giải quyết các vấn đề giao tiếp, tương thích và tích hợp liền mạch sẽ dễ dàng phân biệt mình với các đối thủ cạnh tranh. Thiết lập một môi trường dữ liệu CÔNG BẰNG sẽ giảm đáng kể công sức dành cho việc xoay quanh dữ liệu và cho phép các nhà khoa học tập trung vào ý tưởng và thiết kế — dẫn đến các thử nghiệm tốt hơn và đạt kết quả cao hơn.

Tiến sĩ Scott D Hanton; Tiến sĩ John F Corway, Ralph Rivero; Tiến sĩ Laurent Baumes.

Tố Quyên dịch

Nguồn: Lab Manager- Hoa Kỳ