La inteligencia artificial (IA) y el aprendizaje automático (AM) son aplicaciones imprescindibles en los laboratorios del futuro. La IA permite la extracción profunda de datos en las bases de datos de los laboratorios de toda la empresa, y el ML es fundamental para forjar ideas y vínculos entre los distintos puntos de datos que de otro modo no se descubrirían y que pueden acelerar los proyectos y, a veces, orientarlos en nuevas direcciones. Para sacar el máximo provecho de estos sistemas se requiere algo más que la optimización del sistema de IA. La calidad y el rigor de la IA dependen en gran medida de su sistema de gestión de información de laboratorio (LIMS).
Su LIMS debe ser robusto, fiable y lo suficientemente flexible como para adaptarse a las necesidades futuras, y los datos también deben estar armonizados para garantizar que los resultados devueltos reflejen una búsqueda exhaustiva de los datos relevantes dentro del sistema. Sólo entonces la IA y los investigadores que la utilizan pueden confiar en que sus conclusiones están respaldadas por la ciencia.
Estas conclusiones pueden conducir a nuevos conocimientos que, por ejemplo, aumenten la comprensión de los mecanismos de acción o de las interacciones entre fármacos y objetivos, lo que puede dar lugar a la identificación de nuevos objetivos farmacéuticos, el diseño de nuevas moléculas in silico y la modelización de las interacciones entre proteínas con mayor precisión. La información obtenida con la IA puede ser decisiva para acelerar el camino hacia la presentación de una solicitud de nuevo fármaco en investigación (IND).
Dado que su LIMS contiene los resultados de los experimentos y de las pruebas centradas en las muestras que pueden abarcar varias pruebas o protocolos, es la fuente de la verdad para todo lo que sigue. Por lo tanto, es importante garantizar que tanto los datos maestros como los datos generados por los laboratorios individuales estén armonizados. La armonización garantiza que todos los datos relevantes puedan ser encontrados y, por tanto, considerados por la IA. En resumen, permite a la IA descubrir más correlaciones.
En el caso de las nuevas implantaciones de LIMS, es aconsejable que todas las partes interesadas -personal de laboratorio, gerentes, directores de producción, expertos en garantía de calidad y otros- esbocen sus procesos de flujo de trabajo relevantes para el LIMS, identifiquen los cuellos de botella y optimicen los procesos. Este ejercicio mejorará la eficacia del sistema en general, con o sin IA.
Si el LIMS lleva un tiempo en uso, empiece por revisar los datos maestros del LIMS, es decir, la información que los usuarios necesitan para manejar el LIMS correctamente. En primer lugar, asegúrese de que está disponible en una sola ubicación. Estos datos básicos no son transaccionales, por lo que sólo cambian cuando se añaden nuevas tecnologías o procesos. Entre los ejemplos de datos maestros se encuentran una lista de palabras clave reservadas que no pueden utilizarse como nombres de archivo y las convenciones que dictan cómo pueden utilizarse los caracteres especiales o las letras mayúsculas. Este archivo debe ser fácil de encontrar y de actualizar cuando se realicen cambios en los laboratorios o cuando se actualice el software LIMS.
Asimismo, tómese el tiempo necesario para establecer o actualizar las convenciones de nomenclatura para que tengan sentido en toda la empresa. Considere la posibilidad de establecer convenciones de nomenclatura que hagan referencia al proyecto, a una variación, a un tipo de laboratorio, a una línea de fabricación o a un centro. Por ejemplo, las instalaciones de producción multisitio podrían nombrar un ensayo en función del sitio, el edificio, la línea de producción y el propósito. Así, un ensayo de pH para la línea uno en el edificio dos de la planta de Boston podría etiquetarse como “Bos2-Línea1pH”. Este nivel de detalle permite identificar fácilmente los ensayos más adelante.
Para las aplicaciones que no son de fabricación, considere la posibilidad de utilizar el nombre del departamento, el número del método y el tipo de referencia. En otras convenciones puede resultar útil utilizar los números de referencia reglamentarios dentro del nombre del archivo. Si se necesita más especificidad, vincule los datos a un cuadro de búsqueda según sea necesario. El valor de este enfoque puede parecer insignificante ahora, pero se hace más evidente cuando los datos históricos se incorporan al LIMS. En ese caso, un nombre de archivo que haga referencia a una máquina de resonancia magnética que fue sustituida hace una década puede ser menos útil que anotar el número de proceso reglamentario o el tipo de laboratorio. Además, hay que normalizar la longitud permitida de los archivos de datos entre los laboratorios para garantizar que las búsquedas puedan incluir nombres de archivos tanto muy largos como muy cortos.
Asegúrese de que el LIMS y los propios laboratorios utilizan términos y definiciones estándar de las pruebas y los productos para agilizar las búsquedas. Detallar cómo el LIMS trata los envíos de muestras y los resultados de las pruebas, interactúa con los instrumentos del laboratorio y documenta la cadena de custodia.
Las organizaciones globales también deben tener en cuenta las diferencias internacionales en los datos maestros. Entre ellas se encuentran el idioma (inglés y chino), la ortografía (Reino Unido y Estados Unidos), las monedas y las zonas horarias. Por lo tanto, establezca convenciones estándar para regular esas diferencias. Por ejemplo, determine si las horas deben figurar en la zona horaria local o utilizando la hora del meridiano de Greenwich (GMT), y si los informes deben estar en el idioma principal de la organización o en el idioma local del laboratorio, y asegúrese de que las entradas de valores se traducen correctamente.
Una vez establecida la estructura del LIMS, las partes interesadas pueden empezar a armonizar los datos estableciendo normas y formatos para que el LIMS tenga la coherencia que los usuarios necesitan para utilizar el sistema con eficacia y eficiencia.
Aunque un LIMS no es un almacén de datos, se enfrenta a muchos de los mismos problemas. Si varios laboratorios utilizan el LIMS, es probable que muchos tengan sus propias ontologías y convenciones de denominación y archivo. A menos que se armonicen, ciertos datos quedan aislados y no aparecerán en los resultados de las búsquedas a menos que los buscadores sepan utilizar esos términos específicos.
Por ejemplo, el LIMS debe saber que peso, peso, libras y kilogramos se refieren al peso, y los usuarios deben acordar una convención estándar. La necesidad de esta estandarización también se aplica a la terminología y a las convenciones de denominación de las pruebas, los métodos, los materiales e incluso los contenedores, así como a las identificaciones de las muestras y al estado de los inventarios.
Si el LIMS lleva un tiempo en uso, tómese el tiempo necesario para asegurarse de que cualquier cambio en los procesos, las materias primas u otros elementos se refleje en el sistema. Los pequeños cambios (como los cambios en la especificidad de los ensayos derivados de un cambio de proveedor, por ejemplo) pueden afectar a la precisión de los datos y a las conclusiones de la IA.
A nivel de proyecto, es una buena práctica separar los datos en análisis brutos y análisis resumidos. Esta distinción permite a los investigadores profundizar en los datos brutos para comprobar los resultados o realizar nuevos análisis sin destruir los datos originales.
Antes de implementar una aplicación de IA también es un buen momento para desduplicar los archivos. El espacio de almacenamiento ya no es ilimitado. De hecho, muchas organizaciones están empezando a pensar en el almacenamiento como algo consumible y están empezando a curar los datos en lugar de limitarse a comprar más almacenamiento. La conservación implica mantener los datos útiles y destruir los que ya no sirven para nada. Por ejemplo, la comprobación de la calidad de un instrumento. Si es bueno, guárdelo con el resto de los datos, pero es innecesario almacenar múltiples pruebas de calidad fallidas mientras se ajustan los parámetros antes de lograr una comprobación aceptable.
Si su LIMS no incluye datos históricos, añádalos como proyecto secundario. Incluir los datos heredados, especialmente si se introducen a partir de fuentes en papel, será probablemente tedioso, pero podría ser inestimable si los datos de años anteriores -que pueden no haber parecido importantes en su momento- arrojan luz sobre cuestiones actuales.
En el mejor de los casos, todos los datos se habrán armonizado cuando el LIMS se implantó por primera vez en toda la organización, y los laboratorios seguirán utilizando los términos normalizados de forma coherente. En la práctica, es de esperar que se produzcan algunas desviaciones con el paso del tiempo y los cambios de personal. Por lo tanto, merece la pena que los directores de laboratorio se aseguren de que las interacciones de su laboratorio con el LIMS siguen reflejando las normas acordadas.
Achieving actionable, robust results from AI analysis is possible only when the data it accesses is robust. That requires a harmonized LIMS that enables comprehensive AI analysis. Making the effort to clean the data now – and to ensure it remains clean – will pay off in the long run.
