Когда Шридхар услышал одну и ту же историю от двух разных людей в двух разных исследовательских лабораториях, он прозрел: в лабораторных экспериментах важен контекст. Контекст большинства экспериментов в фармацевтических лабораториях, конечно, очень сложен. Однако даже измерение некоторых основных переменных, таких как температура, влажность, давление воздуха, освещенность (или, в случае с мышами, уровень звука и вибрации), по мере проведения эксперимента помогает. Используя такие данные, исследователи могут в некоторой степени определить причины вариабельности результатов. Другими словами, не нужно отбрасывать все эксперименты, показавшие нестабильные результаты, принимая за единственную причину ошибочные научные гипотезы. Это может привести к существенному повышению производительности. Компания Шридхара, Elemental Machines, недавно объединила усилия с PerkinElmer, глобальной компанией в области биологических наук, с целью повышения производительности в исследовательских лабораториях за счет использования данных и связи между ними.
На рис. 4.3 показано, как сеть цепочки создания стоимости в фармацевтической лаборатории превращается в производственную экосистему для повышения операционной эффективности. Это происходит, когда массив различного лабораторного оборудования подключается с помощью датчиков и IoT. А в некоторых особых случаях помогает и искусственный интеллект.
Датчики в первой категории оборудования, например, в инкубаторах для выращивания клеточных культур, позволяют отслеживать условия, в которых происходит рост клеток для синтетической биологии. Интеллектуальные метки на колбах для ферментации клеток могут фиксировать условия окружающей среды, необходимые для их роста (температуру, влажность, содержание CO2 и т.д.), и предупреждать ученого о любых неожиданных отклонениях. Такие отклонения могут возникнуть, например, когда несколько ученых используют инкубатор в одной лаборатории. Количество открываний дверцы инкубатора за время выращивания в нем клеток может повлиять на результат эксперимента. Ситуация осложняется еще и тем, что рост клеток может длиться несколько дней, а для получения данных об успешном росте клеток может потребоваться несколько недель. Таким образом, своевременное оповещение позволяет избежать таких потерь драгоценного времени ученых. Эта идея применима и ко второй категории оборудования. Например, на показания специализированных весов, измеряемых в микрограммах, может повлиять открытие или закрытие дверцы прибора. (Ветрозащита предназначена для того, чтобы предотвратить изменение температуры и воздушного потока на чрезвычайно чувствительный весоизмерительный прибор).
Рисунок 4.3
Производственные экосистемы в исследовательских лабораториях.
Первая категория оборудования также должна работать без перебоев, чтобы обеспечить сохранность хранящихся в ней материалов. В случае непредвиденных перебоев датчики непосредственно оповещают заинтересованных ученых, чтобы они могли составить альтернативные планы проведения экспериментов.
Подключенное оборудование второй категории помогает координировать работу ученых в лаборатории. Использование центрифуги может зависеть от времени и требоваться именно после завершения определенного протокола эксперимента. Наличие данных о графике работы оборудования может помочь ученым соответствующим образом спланировать эксперименты и избежать неиспользованных протоколов и потерянного времени.
Третья категория оборудования уже производит данные в цифровой форме, но они ограничены основными функциями оборудования. Добавление датчиков к такому оборудованию позволяет более гибко интегрировать его функции с другим оборудованием. Например, данные, генерируемые спектрометром, обычно ограничиваются спектрометрическим анализом образцов. Такие данные не помогают координировать и планировать программу экспериментов ученого, а также не учитывают температуру воздуха в помещении в момент снятия показаний (что может повлиять на калибровку прибора). В этом может помочь оборудование третьей категории, оснащенное датчиками и подключенное к другим объектам с помощью IoT.
Перечисленные выше меры позволяют снизить вариабельность экспериментов и повысить эффективность использования лабораторных ресурсов. Таким образом, повышается операционная эффективность лаборатории. По словам Сридхара, экономия для типичной крупной фармацевтической компании исчисляется миллионами. "Учитывая миллиарды, которые фармацевтические компании тратят на исследовательские лаборатории, исторически сложилось так, что исследовательские лаборатории были аналоговыми, - говорит он. Все это может измениться благодаря современным цифровым технологиям, превращающим аналоговые цепочки создания стоимости в богатые производственные экосистемы".