Rendre les données utiles

David Hardy révèle comment le LIMS et l'analyse de données fournissent des informations exploitables

Le laboratoire biopharmaceutique est riche en données qui aident à prendre des décisions sur les projets à faire avancer. Mais bien que la plupart pensent que les données sont obtenues à partir d'expériences, chaque processus du laboratoire fournit une mine d'or inexploitée de données attendant d'être utilisées - des quantités de réactifs restantes à la santé de l'instrument. Toutes ces données, lorsqu'elles sont bien utilisées, offrent de nombreux avantages au laboratoire, notamment : un meilleur maintien de l'intégrité des données ; permettre le respect des réglementations ; améliorer la productivité.

Mais la collecte et l'utilisation de ces données ne sont pas aussi simples qu'on pourrait le croire au départ. De nombreux processus de laboratoire sont encore manuels, ce qui signifie que les données ne sont pas automatiquement collectées. Et dans les cas où les données sont collectées, elles sont souvent cloisonnées, ce qui signifie que les scientifiques ne sont pas en mesure de relier les points pour recueillir des mises à jour en temps réel.

Des quantités insuffisantes de données et des données non connectées peuvent ralentir les processus de laboratoire, étouffant la productivité et l'innovation. Cela signifie non seulement que les données ne peuvent pas être utilisées à des fins d'analyse, mais cela limite également la collaboration et, par conséquent, la progression du projet. Les décisions sont également prises après coup et non en temps réel, ce qui entraîne des retards et des coûts.

Les systèmes de gestion des informations de laboratoire (LIMS) sont la pièce manquante du puzzle qui rassemble les données de différentes sources dans le laboratoire et permet de les transformer en informations permettant aux utilisateurs de prendre des mesures immédiates. Ici, nous illustrons comment le LIMS peut être utilisé pour la gestion des données de laboratoire, permettant d'exploiter les données pour augmenter l'efficacité et réduire les coûts.

Les LIMS collectent numériquement les informations de nombreux processus dans tout le laboratoire, telles que les dates d'échantillonnage, de réception ou d'achèvement des échantillons. L'enregistrement de ces données pour chaque échantillon fournit une mine d'informations qui peuvent être utilisées pour rendre le laboratoire plus efficace.

Les données obtenues peuvent être utilisées de plusieurs façons - comme pour l'exploration de données - permettant à l'utilisateur d'obtenir des informations supplémentaires sur les indicateurs de performance du laboratoire tels que le nombre d'échantillons exécutés sur une période donnée. De plus, les utilisateurs peuvent facilement identifier les goulots d'étranglement, ce qui leur permet de résoudre les problèmes et, en fin de compte, de réduire les coûts.

Les données LIMS vont bien au-delà des échantillons et peuvent inclure des aspects allant des enregistrements de formation aux données non structurées enregistrées dans les cahiers électroniques des analystes. Les données collectées peuvent être globalement regroupées en trois catégories distinctes : opérations de laboratoire, administration du système et connaissances scientifiques. Ces domaines combinés conduisent à un ensemble de données très détaillé prêt pour des analyses plus poussées.

Les solutions d'analyse de données peuvent transformer les données collectées par le LIMS en actions. Et pour simplifier les choses, certains LIMS intègrent l'analyse des données, ce qui signifie qu'il n'est pas nécessaire d'exporter des données et que la gouvernance des données est maintenue. L'analyse automatisée des données peut aider dans deux domaines principaux : l'informatique décisionnelle (BI) et l'apprentissage automatique (ML).

La capacité à identifier rapidement les goulots d'étranglement opérationnels et administratifs est essentielle au bon fonctionnement du laboratoire. Les tableaux de bord BI sont des outils qui permettent aux responsables de laboratoire d'acquérir une compréhension plus approfondie et de transformer les informations sur les données en actions. Selon le LIMS utilisé, différentes capacités de veille économique seront disponibles.

L'un des aspects cruciaux du laboratoire biopharmaceutique, par exemple, est d'assurer un approvisionnement suffisant en réactifs et consommables. L'épuisement de ces composants vitaux peut entraîner des retards importants, obligeant les laboratoires à ne pas respecter les délais des projets. Certains LIMS sont livrés avec un tableau de bord d'aperçu des stocks (Fig. 1), permettant aux utilisateurs de visualiser l'emplacement et la disponibilité de tout consommable - et même de commander de nouveaux stocks. Ces informations permettent de mieux comprendre l'utilisation et la distribution des consommables pour aider à gérer les charges de travail du laboratoire.

La vue d'ensemble des stocks n'est qu'un exemple : les tableaux de bord couvrent de nombreux autres aspects critiques pour l'entreprise, notamment la disponibilité des instruments, la charge de travail des analystes et la maintenance des instruments.

Le ML peut être appliqué aux données LIMS de plusieurs manières pour fournir au laboratoire biopharmaceutique des informations scientifiques cruciales, notamment en faisant des prédictions.

La formation d'un modèle ML à l'aide de données historiques de haute qualité peut permettre la prédiction des valeurs de résultats futures. Des informations telles que celle-ci fournissent une base pour hiérarchiser les projets car les données sur les résultats sont toujours en cours d'obtention.

Faire progresser des projets moins susceptibles d'échouer permet d'économiser de l'argent. Et si cela pouvait être fait avec moins de tests ? Les laboratoires peuvent appliquer le ML aux données LIMS pour déterminer l'importance relative de chaque test sur le résultat global. Cela permet aux laboratoires d'exécuter d'abord les tests les plus importants, puis de faire progresser les candidats les plus prometteurs.

Dans une étude test, ML a été utilisé pour prédire l'activité des médicaments. En étudiant un ensemble de données de 1 700 petites molécules, l'équipe de recherche a examiné 32 propriétés chimiques différentes (Fig. 2). La formation du modèle ML a trouvé les variables les plus importantes pour l'activité du composé : LogP, nombre de liaisons rotatives, surface polaire et poids moléculaire - qui, à l'insu du système, sont des descripteurs clés de Lipinski.

Les données sont absolument vitales pour le succès d'un laboratoire, mais seulement lorsqu'elles sont correctement collectées et connectées numériquement. LIMS et leurs solutions d'analyse de données associées collectent efficacement des données et permettent des informations exploitables pour soutenir les opérations de laboratoire, l'administration du système et les informations scientifiques. Ce n'est qu'en adoptant ces capacités que les laboratoires du monde entier pourront prendre des décisions pour une efficacité accrue, des coûts réduits et, en fin de compte, développer et fournir des médicaments efficaces plus rapidement.

David Hardy, PhD, est directeur principal, Data Analytics and AI Enablement chez THermo Fisher Scientific