Von ELN zur Labordatenanalyse: Den Kreislauf schließen, ohne Arbeitsabläufe zu unterbrechen

Moderne Labore generieren enorme Mengen an experimentellen Daten. Vom Hochdurchsatz-Screening bis hin zur Prozessanalytik, Charakterisierung und Qualitätskontrolle produzieren die heutigen Forschungsabläufe immer komplexere Datensätze. Die Erfassung dieser Daten ist dank digitaler Laborplattformen einfacher geworden, aber die Umwandlung dieser Daten in verwertbare Erkenntnisse ist oft eine andere Geschichte.

Die meisten Labore haben ihre Datenanalyse-Workflows jedoch nicht entworfen. Sie wuchsen organisch, Tool für Tool, Datei für Datei. Das hat zur Folge, dass die Datenanalyse in vielen Laboren immer noch außerhalb des digitalen Workflows stattfindet. Protokolle können digital ausgeführt und dokumentiert werden, aber sobald die Daten generiert sind, exportieren Wissenschaftler häufig Daten in Tabellenkalkulationen, statistische Tools oder Visualisierungssoftware, um Analysen durchzuführen und Berichte zu erstellen. Die Ergebnisse werden dann manuell zurück in das Zentralsystem des Labors übertragen.

Es ist ein Arbeitsablauf, den die meisten Wissenschaftler erkennen. Und obwohl er sich routinemäßig anfühlt, führt er zu unnötiger Komplexität: Er verlangsamt die Forschung, eröffnet Möglichkeiten für Fehler und macht es schwieriger, eine vollständige und nachvollziehbare Aufzeichnung darüber zu führen, wie die Ergebnisse generiert wurden.

Da Forschungsorganisationen skalieren und Experimente datenintensiver werden, werden diese getrennten Arbeitsabläufe zu einem großen betrieblichen Engpass.

Im Rahmen seiner Vision für ein wirklich vernetztes, durchgängiges digitales Labor-Ökosystem hat SciSure eine Partnerschaft geschlossen mit DataChaperone um die automatisierte KI-fähige Labordatenanalyse direkt in die Wissenschaftliche Managementplattform (SMP). DataChaperone führt eine spezielle Analyseebene ein, die den meisten Labors derzeit fehlt. Durch die Integration können in SciSure erfasste experimentelle Daten nahtlos in automatisierte Analyse-Workflows einfließen, wobei die Ergebnisse ohne manuelle Datenverarbeitung an die Plattform zurückgegeben werden.

Um zu verstehen, wie diese Integration SciSure-Kunden hilft, ihre Labordatenanalyse zu optimieren und tiefere Einblicke aus ihren Forschungsdaten zu gewinnen, haben wir mit Lars-Eric Feilmich, CEO und Mitbegründer von DataChaperone, gesprochen. In der folgenden Diskussion erklärt Lars, wie automatisierte Analyse-Workflows die manuelle Datenverarbeitung überflüssig machen, Analyseprozesse standardisieren und SciSure-Kunden helfen können, die Lücke zwischen Datenerfassung und wissenschaftlichen Erkenntnissen zu schließen.

Die versteckte Lücke in der Labordatenanalyse

In der Praxis zeigt sich die Diskrepanz zwischen Datengenerierung und Analyse darin, wie Wissenschaftler täglich mit Daten arbeiten. Selbst in Laboren, die digitale Plattformen eingeführt haben, erfolgt die Datenanalyse oft immer noch mit mehreren Tools außerhalb des Kernsystems.

Wissenschaftler exportieren die Rohdaten der Instrumente in Tabellenkalkulationen oder spezielle Tools, erstellen Grafiken und Berichte und geben die wichtigsten Ergebnisse dann manuell erneut in das zentrale System ein.

„Wissenschaftler verwenden in der Regel 3 bis 5 verschiedene Tools, um Rohdaten zu einem gemeldeten Ergebnis zu verarbeiten. Es sollte ein kontinuierlicher Arbeitsablauf sein, aber in der Praxis wird er auf viele verschiedene Systeme aufgeteilt.“

Dies mag sich für viele Wissenschaftler natürlich anfühlen, birgt jedoch erhebliche betriebliche Reibungen und Risiken. Jede manuelle Übergabe zwischen Systemen erhöht die Wahrscheinlichkeit von Fehlern, verlangsamt die Berichtszeitpläne und erschwert es, vollständig rückverfolgbare Aufzeichnungen darüber zu führen, wie die Ergebnisse generiert wurden. Diese Fragmentierung hat echte Kosten:

„Wissenschaftler verbringen bis zu 25% ihrer Zeit mit manueller Datenverarbeitung. Sie exportieren Ergebnisse aus einem System, verarbeiten sie an einem anderen Ort, generieren Grafiken und bringen die Ergebnisse dann zurück in die Hauptplattform. Diese Hin- und Herverarbeitung von Daten wird zu einem echten Engpass.“

In regulierten Umgebungen können die Auswirkungen sogar noch größer sein. Manuelle Schritte erfordern oft eine zweite Überprüfung, um sicherzustellen, dass die Ergebnisse korrekt sind. Dies erhöht den Arbeitsaufwand und die Bearbeitungszeit für bereits überlastete Teams.

„Fehler beim Kopieren und Einfügen mögen geringfügig erscheinen, aber in einer großen Organisation treten sie regelmäßig auf. Aus diesem Grund ist es in vielen regulierten Umgebungen erforderlich, dass eine zweite Person die Ergebnisse überprüft, was den Prozess noch mehr Zeit in Anspruch nimmt.“

Da die Datensätze wachsen und der Laborbetrieb immer größer wird, wird es immer schwieriger, diese Arbeitsweise aufrechtzuerhalten.

Der Wert der Automatisierung von Arbeitsabläufen zur Labordatenanalyse

In der Erkenntnis, dass viele dieser Ineffizienzen auf die manuelle Datenverarbeitung zurückzuführen sind, wurde DataChaperOne entwickelt, um Labors dabei zu unterstützen, fragmentierte Analyse-Workflows in strukturierte, standardisierte und automatisierte Prozesse umzuwandeln.

Anstatt sich darauf zu verlassen, dass Wissenschaftler Daten manuell zwischen Tools verschieben, fungiert die Plattform als dedizierte Analyseebene zwischen bestehenden Laborsystemen. Sie automatisiert, wie Geräterohdaten importiert, transformiert, analysiert und gemeldet werden, und integriert gleichzeitig eine KI-gestützte Logik, bei der analytische Entscheidungen für vordefinierte Regeln zu komplex sind.

„Wenn ein Analyse-Workflow in einem Protokoll beschrieben werden kann, können wir ihn automatisieren. Wissenschaftler führen immer wieder dieselben Analysetypen durch, verarbeiten Geräteergebnisse, wenden statistische Methoden an, erstellen Grafiken und erstellen Berichte. All das kann mit dem erforderlichen Maß an Flexibilität standardisiert und automatisiert werden.“

Das Herzstück der Plattform ist eine flexible Python-basierte Architektur, die es DataChaperone ermöglicht, eine Vielzahl wissenschaftlicher Arbeitsabläufe in Biowissenschaften und Biotech-Anwendungen zu unterstützen. Diese Pipelines können alles von der Datentransformation und statistischen Analyse bis hin zur Visualisierung und Berichtsgenerierung bewältigen.

In der Praxis bedeutet dies, dass Modelle des maschinellen Lernens auf Aufgaben wie Mustererkennung, Anomalieerkennung und Klassifizierung angewendet werden können, sodass komplexe analytische Entscheidungen konsistent und maßstabsgerecht ausgeführt werden können.

„Egal, ob es sich um Statistiken, Datentransformationen, Visualisierungen oder komplexere Workflows handelt, wir können Pipelines erstellen, die die Durchführung dieser Analysen automatisieren.“

Neben der Automatisierung sorgt die Plattform auch für mehr Konsistenz und Rückverfolgbarkeit bei der Analyse von Labordaten. Jeder Schritt des Workflows wird explizit definiert und jedes Mal auf die gleiche Weise ausgeführt, wobei Variablen und Parameter protokolliert werden. So entsteht ein übersichtlicher Audit-Trail, der nachverfolgt, wie die Ergebnisse generiert wurden.

DataChaperOne ermöglicht auch Funktionen wie automatische Datenqualitätsprüfungen, standardisierte Berichte und Metaanalysen für Datensätze, sobald die Arbeitsabläufe harmonisiert sind, sodass Unternehmen im Laufe der Zeit mehr Wert aus ihren experimentellen Daten ziehen können.

„Wissenschaftler wurden nicht zu Wissenschaftlern, um ihre Zeit damit zu verbringen, Zahlen zwischen Tabellen zu verschieben. Wenn diese Aufgaben automatisiert sind, können sie sich viel mehr auf die Interpretation der Ergebnisse und die Planung besserer Experimente konzentrieren.“

Durch die Umwandlung manueller Analyseprozesse in standardisierte Arbeitsabläufe hilft die Plattform Forschungsteams dabei, konsistente, reproduzierbare Ergebnisse zu erzielen und gleichzeitig den Betriebsaufwand zu reduzieren.

Den Kreislauf zwischen Experiment und Erkenntnis schließen

Die Automatisierung der Labordatenanalyse ist ein großer Fortschritt, aber die eigentliche Transformation findet statt, wenn diese Workflows direkt in die Systeme eingebettet sind, in denen Experimente entworfen, ausgeführt und aufgezeichnet werden.

Hier zeigt die Partnerschaft zwischen SciSure und DataChaperOne echte Wirkung. Für DataChaperOne zeichnete sich SciSure als natürlicher Partner aus, da sich die beiden Plattformen auf ergänzende Teile des wissenschaftlichen Workflows beziehen.

„Was uns sofort auffiel, war, wie komplementär die Plattformen sind. SciSure bietet die Umgebung, in der wissenschaftliche Arbeit organisiert und experimentelle Daten erfasst werden. DataChaperone stellt die Analyseebene bereit, die diese Daten verarbeitet. Wenn Sie diese beiden Funktionen kombinieren, können Sie den gesamten Weg vom Experiment bis zum Ergebnis automatisieren.“

Diese digitale Grundlage ist entscheidend, um automatisierte Analysen zu ermöglichen. Viele Forschungseinrichtungen sind bestrebt, fortschrittliche Analysefunktionen einzuführen, aber ihre experimentellen Daten sind immer noch auf Tabellenkalkulationen, Notizbücher und nicht miteinander verbundene Systeme verstreut.

„Wir sprechen oft mit Laboren, die daran interessiert sind, ihre Analyse-Workflows zu automatisieren, aber sie arbeiten immer noch in papierbasierten oder teilweise digitalisierten Umgebungen. Wenn die Daten nicht konsistent und digital erfasst werden, ist es sehr schwierig, die nächsten Schritte zu automatisieren.“

Durch die direkte Integration von DataChaperone in die SMP-Umgebung können SciSure-Kunden nun innerhalb eines einzigen verbundenen Workflows von der Durchführung von Experimenten zu Analyseergebnissen übergehen. In SciSure generierte und aufgezeichnete Versuchsdaten können direkt in automatisierte Analysepipelines einfließen. Die Ergebnisse werden an die Plattform zurückgegeben und mit dem ursprünglichen Experiment verknüpft.

Anstatt Datensätze in Tabellenkalkulationen zu exportieren, Analysen in separaten Tools auszuführen und Berichte manuell zu erstellen, wird der analytische Workflow zu einem strukturierten Prozess, der in die digitale Laborumgebung eingebettet ist.

Nehmen wir zum Beispiel das Durchflusszytometrie-Gating, einen häufigen Arbeitsschritt, der eine subjektive Interpretation erfordert:

„Bei der Durchflusszytometrie entscheiden Wissenschaftler, wo die Schwellenwerte für die Auswertung der Daten festgelegt werden. Diese Entscheidungen sind subjektiv, und verschiedene Wissenschaftler können sie leicht unterschiedlich angehen. Wenn dieser Prozess standardisiert und automatisiert ist, entfernt man diese Subjektivität und macht die Analyse viel konsistenter.“

Durch die Anwendung KI-gesteuerter Klassifikationsmodelle können diese Entscheidungen kodiert und konsistent in allen Datensätzen ausgeführt werden, wodurch Variabilität vermieden wird und gleichzeitig die wissenschaftliche Absicht gewahrt bleibt.

Das gleiche Prinzip gilt für viele andere Arbeitsabläufe zur Labordatenanalyse, einschließlich der mikroskopischen Bildanalyse, der Qualitätskontrolle von Tests und der statistischen Validierung. Indem Labore diese Analyseschritte direkt in den digitalen Arbeitsablauf einbetten, können sie sicherstellen, dass die Methoden projekt- und teamübergreifend einheitlich angewendet werden.

Für Wissenschaftler bedeutet dies, dass sie weniger Zeit für die Durchführung sich wiederholender Analyseaufgaben aufwenden müssen und sich mehr auf die Interpretation der Ergebnisse konzentrieren können.

„Wissenschaftler arbeiten gerne mit Daten, aber es macht ihnen nicht unbedingt Spaß, sich wiederholende Entscheidungen zu treffen, die eigentlich standardisiert werden sollten. Wenn diese Entscheidungen in automatisierten Arbeitsabläufen kodiert werden können, sind Wissenschaftler von Routineaufgaben befreit und können sich auf die Fragen konzentrieren, die die Forschung tatsächlich voranbringen.“

Die Integration beseitigt auch einen häufigen Engpass für Datenwissenschaftler und Bioinformatiker. Analytische Pipelines, die normalerweise für verschiedene Projekte wiederholt geändert werden müssten, können stattdessen einmal implementiert und teamübergreifend eingesetzt werden.

„Was heute oft passiert, ist, dass ein Datenwissenschaftler eine Analysepipeline entwirft und dann den Rest des Jahres damit verbringt, leicht unterschiedliche Versionen davon für verschiedene Projekte zu verwalten. Mit einem Plattformansatz können sie sich darauf konzentrieren, die besten Analysemethoden zu entwickeln, während die Plattform sich darum kümmert, wie diese Methoden ausgeführt und eingesetzt werden.“

Durch die direkte Einbettung automatisierter Analysen in die digitale Laborplattform hilft die SciSure-DataChaperone-Integration Laboren dabei, einen ehemals fragmentierten Prozess in einen kontinuierlichen, rückverfolgbaren wissenschaftlichen Arbeitsablauf umzuwandeln.

Erfahren Sie mehr über das DataChaperone Marketplace Add-on

Umwandlung strukturierter Labordaten in wissenschaftliche Erkenntnisse

Sobald die Arbeitsabläufe zur Labordatenanalyse automatisiert und in das digitale Labor-Ökosystem eingebettet sind, gewinnen Labore an etwas noch Wertvollerem als an Effizienz: der Fähigkeit, ihre Daten auf einem viel breiteren Maßstab zu verstehen.

Wenn Experimente digital erfasst, über standardisierte Workflows analysiert und auf einer verbundenen Plattform wie dem SciSure SMP gespeichert werden, existieren Datensätze nicht mehr als isolierte Ergebnisse einzelner Experimente. Stattdessen werden sie Teil einer wachsenden Menge strukturierter wissenschaftlicher Daten, die projekt-, team- und zeitübergreifend untersucht werden können.

Dies öffnet die Tür zu fortschrittlicheren Formen der Labordatenanalyse, bei denen KI und maschinelles Lernen angewendet werden können, um Muster zu identifizieren, Anomalien zu erkennen und Erkenntnisse aus Datensätzen zu gewinnen. Ein Beispiel dafür ist die Trendanalyse in der Qualitätskontrolle, bei der Labore beobachten, wie sich Tests und Kontrollen im Laufe der Zeit verhalten.

„Wenn Ihre Daten auf konsistente Weise gespeichert und verarbeitet werden, können Sie damit beginnen, Trends in allen Experimenten zu untersuchen. So können Sie beispielsweise überwachen, wie sich ein Test oder eine Kontrolle im Laufe der Zeit verhält, und schnell erkennen, wenn etwas zu driften beginnt.“

Diese Funktionen können auch mithilfe von maschinellem Lernen erweitert werden, um Ausreißer automatisch zu kennzeichnen, neue Trends zu identifizieren oder subtile Veränderungen der Testleistung zu erkennen, die bei manueller Analyse allein möglicherweise nicht sichtbar sind.

Ohne dieses Maß an Sichtbarkeit bleiben Probleme oft unbemerkt, bis Experimente scheitern. Wissenschaftler müssen dann möglicherweise ihre Schritte über mehrere Datensätze und Systeme hinweg zurückverfolgen, um die eigentliche Ursache zu ermitteln — ein Prozess, der Tage oder sogar Wochen dauern kann. Im Gegensatz dazu ermöglichen standardisierte Analyse-Workflows den Forschungsteams, Probleme früher zu erkennen und die Versuchsleistung besser kontrollieren zu können.

Wenn sich Datensätze ansammeln, ermöglicht diese Konsistenz auch eine tiefere Metaanalyse, bei der Muster in ganzen Forschungsprogrammen und nicht innerhalb einzelner Experimente identifiziert werden können. Im Laufe der Zeit können diese Funktionen die Arbeitsweise von Forschungsorganisationen erheblich verändern. Wenn Labore wachsen und der Versuchsdurchsatz steigt, werden manuelle analytische Arbeitsabläufe oft zu einem großen Engpass.

„Der Laborbetrieb ist überraschend schwer zu skalieren. Sie können die Größe Ihres Labors verdoppeln, aber das bedeutet nicht, dass Sie die Leistung verdoppeln. Viele der Engpässe sind auf manuelle Prozesse zurückzuführen, die einfach nicht gut skalierbar sind.“

Automatisierte und standardisierte analytische Workflows helfen dabei, diese Einschränkungen zu beseitigen. Anstatt für jeden Datensatz eine manuelle Interpretation oder sich wiederholende Analyseschritte zu erfordern, können Analysepipelines konsistent und vorhersehbar ablaufen, sodass Teams größere Mengen experimenteller Daten verarbeiten können, ohne den Arbeitsaufwand proportional zu erhöhen.

Für Forschungsleiter entsteht dadurch ein besser skalierbares Betriebsmodell, bei dem neue Experimente, neue Teams und neue Projekte auf derselben analytischen Infrastruktur aufbauen können.

Am wichtigsten ist vielleicht, dass dieses strukturierte Umfeld die Grundlage für eine tiefere Form der wissenschaftlichen Entdeckung schafft.

„Das Wissen steckt bereits in den Daten. Die Herausforderung besteht darin, dass die meisten Unternehmen keine gute Möglichkeit haben, es zu erkunden.“

Wenn experimentelle Daten, analytische Arbeitsabläufe und Ergebnisse in einem vernetzten digitalen Ökosystem vorliegen, können Labore beginnen, Zusammenhänge und Erkenntnisse aufzudecken, die sonst in Rohdatensätzen verborgen bleiben würden.

Für SciSure-Kunden ist die Integration mit DataChaperOne ein wichtiger Schritt in diese Zukunft — eine Zukunft, in der die digitale Laborplattform nicht nur Experimente unterstützt, sondern Forschern auch kontinuierlich hilft, aus den Daten zu lernen, die diese Experimente generieren.

Aufbau eines stärker vernetzten digitalen Labors

Da experimentelle Datensätze an Größe und Komplexität zunehmen, besteht die Herausforderung für moderne Labore nicht mehr nur darin, Daten zu generieren, sondern zu verwalten, wie diese Daten verarbeitet, interpretiert und genutzt werden.

Durch die direkte Integration der automatisierten Labordatenanalysefunktionen von DataChaperone in das SciSure SMP können Labore fragmentierte Arbeitsabläufe hinter sich lassen und einen stärker vernetzten Ansatz für wissenschaftliche Daten verfolgen. Analyseschritte wie die Durchflusszytometrie, die mikroskopische Bildinterpretation und die Qualitätskontrolle der Tests können in derselben Umgebung standardisiert und automatisiert werden, in der Experimente entworfen und aufgezeichnet werden.

Die Wirkung geht über die Effizienz hinaus. Wenn analytische Pipelines konsequent angewendet werden und die Ergebnisse weiterhin mit ihrem experimentellen Kontext verknüpft bleiben, erhalten Labore ein weitaus klareres Bild davon, wie sich ihre Wissenschaft entwickelt. Die Teams können die Testleistung im Laufe der Zeit überwachen, neue Trends bei den Experimenten erkennen und sicherstellen, dass die Analysemethoden projektübergreifend einheitlich angewendet werden.

Für SciSure-Kunden ist die Partnerschaft mit DataChaperone ein wichtiger Schritt in Richtung eines stärker integrierten digitalen Labors, in dem Experimente, Analysen und Erkenntnisse Teil eines einzigen, kontinuierlichen wissenschaftlichen Workflows sind.

Wenn Experimente und Analysen in einem System ablaufen, sind die Ergebnisse keine statischen Berichte mehr. Sie werden wiederverwendbar, vergleichbar und skalierbar.

Bereit, den Kreislauf zwischen Experiment und Analyse zu schließen?

Erfahren Sie, wie die SciSure Scientific Management Platform und ihr Partner-Ökosystem Laboren dabei helfen, Arbeitsabläufe zu automatisieren, Datenanalysen zu standardisieren und experimentelle Daten in umsetzbare Erkenntnisse umzuwandeln. Nehmen Sie noch heute Kontakt mit uns auf.