Rétablir la reproductibilité : remédier au chaos numérique grâce à une meilleure infrastructure

Les sciences de la vie traversent une crise discrète.

Ce n'est pas une question de découverte, mais de confiance.

Pendant des décennies, les chercheurs ont repoussé les limites de ce que nous pouvons guérir, concevoir et séquencer. Mais derrière cette innovation se cache une base d'une fragilité inquiétante.

L'inconfortable vérité ?

La plupart des études publiées en biologie ne peuvent pas être reproduites, même par les auteurs originaux.

Le coût ?

Des milliards de dollars en R&D perdus, en échec de programmes de médicaments et en une érosion de la confiance dans le processus scientifique lui-même.

Il ne s'agit pas d'une histoire de mauvais acteurs ou de fabrication de données malveillantes (bien que cela se produise certainement). C'est une histoire de fragmentation, de friction et de dysfonctionnements fondamentaux.

Problèmes de reproductibilité : les faits

Au cours des deux dernières décennies, plusieurs dures vérités concernant la reproductibilité scientifique ont été révélées :

• UNE 2016 La nature enquête a révélé que 70 % des chercheurs n'ont pas réussi à reproduire les expériences de quelqu'un d'autre et que plus de 50 % n'ont pas pu reproduire leurs propres travaux
• Amgen a indiqué qu'elle ne pouvait que se répliquer 6 études oncologiques majeures sur 53, à peine 11 %
• Bayer HealthCare a constaté que seule ~20 à 25 % de ses projets internes de validation des cibles étaient totalement reproductibles. Environ les deux tiers des projets avaient des délais prolongés ou ont été annulés en raison d'incohérences entre les données publiées et les données internes.
• Un estimé à 28 milliards de dollars est gaspillé chaque année, rien qu'aux États-Unis, pour des recherches précliniques non reproductibles.
• Le Lancet a estimé que 85 % de la recherche biomédicale est en fin de compte un effort inutile en raison d'une méthodologie, de rapports et d'une conception médiocres.
  

Ces chiffres ne font pas que faire les gros titres ; ils sont le reflet de l'industrie. Ces rapports proviennent de sociétés possédant des pipelines de médicaments d'un milliard de dollars et publiés dans des revues réputées. Les données ne peuvent être ignorées et les implications se répercutent bien au-delà du laboratoire.

Des problèmes de stylos et de papier au chaos numérique

Les problèmes de reproductibilité ne sont pas nouveaux.

À l'ère de cahiers de laboratoire en papier, les coupables étaient souvent simples : notes illisibles, détails manquants, matériaux incohérents et documentation médiocre. Mais aujourd'hui, la communauté scientifique est confrontée à un autre type de problème, créé par la surcharge numérique et la fragmentation systémique.

Les laboratoires d'aujourd'hui regorgent d'outils numériques (carnets de laboratoire électroniques (ELN), systèmes de gestion des informations de laboratoire (LIMS), etc. — qui rationalisent un certain nombre de tâches quotidiennes.

Cependant, l'infrastructure nécessaire pour intégrer ces différents outils et leurs utilisateurs fait défaut :

• Les protocoles peuvent résider dans l'un des nombreux ELN, mais ils ne sont souvent pas standardisés entre les équipes.
• Les échantillons de données et les résultats expérimentaux sont regroupés dans des feuilles de calcul, des dossiers cloud ou des plateformes LIMS vieillissantes.
• Les API, si tant est qu'elles existent, sont fragiles et permettent rarement l'harmonisation des données en temps réel.
• Les plateformes d'automatisation créent des données structurées qui ne peuvent pas être facilement intégrées ou analysées avec d'autres outils.
• Les données contextuelles, y compris les décisions, les anomalies et les connaissances tribales, ne sont pas officiellement documentées à partir d'outils de communication numériques tels que Slack et les fils de discussion.

Nous avons abandonné les ordinateurs portables au profit d'une tenue de dossiers numériques « plus organisée », pour aboutir à un environnement de laboratoire distribué plus complexe. La crise de reproductibilité n'est pas le résultat d'une négligence ; elle provient d'un écosystème de laboratoires numériques inefficace.

La pile Franken : comment nous en sommes arrivés là

La plupart des laboratoires n'ont pas été conçus pour évoluer, ils ont appliqué des correctifs.

Une feuille de calcul ici.

Un ELN là-bas.

Un LIMS local que personne n'ose toucher.

Au fur et à mesure que la science devenait plus complexe, la suite logicielle s'est développée, mais sans plan d'intégration de toutes ces technologies.

Il ne nous reste plus qu'un « Frankenstack » : des dizaines de systèmes déconnectés, dont aucun ne communique clairement entre eux.

• Les ELN existent dans des silos, sans aucun lien avec les registres d'échantillons.
• Les LIMS sont souvent personnalisés et rigides, conçus pour les flux de travail de contrôle qualité, et non pour les expériences de R&D.
• Les outils d'analyse de données nécessitent un nettoyage manuel des données avant utilisation.
• Les systèmes d'inventaire sont soit basés sur Excel, soit complètement déconnectés de la conception des expériences.
• La communication sur le contexte expérimental se fait en dehors de ces systèmes : par e-mail, Slack ou mémoire.

Cette pile disparate fragmente le contexte, introduit l'erreur humaine et rend les connaissances non transférables.

La conséquence ?

La reproductibilité est impossible à garantir car les entrées, les conditions et les points de décision sont dispersés et éphémères.

Pourquoi l'infrastructure est plus importante que jamais

La reproductibilité n'échoue pas au moment de l'analyse, elle échoue au moment où les données sont capturées, enregistrées et stockées. Si les résultats scientifiques sont générés sans structure, traçabilité ou contexte, la capacité de les reproduire devient désespérée.

La solution ne réside pas dans l'utilisation de nouveaux outils.

C'est une meilleure infrastructure :

• Plateformes centralisées qui unifient le suivi des échantillons, la saisie des données, la gestion des versions des protocoles et les résultats dans un seul flux de travail.
• Des API qui ne se contentent pas de connecter les systèmes ; elles normalisent les données entre eux.
• Des pistes d'audit automatiques, complètes et lisibles par l'homme.
• Des outils qui ne se contentent pas de collecter des informations, mais qui les transforment en informations structurées et exploitables.

Ce ne sont pas des « choses agréables à avoir ». Ils constituent la base de la création d'organisations scientifiques modernes et résilientes.

Pourquoi l'infrastructure est primordiale

Il est facile de considérer l'infrastructure comme « les tuyaux derrière les murs ». Mais dans le domaine des sciences de la vie, votre infrastructure est votre science.

Que vous gériez des tests moléculaires, des modifications CRISPR, des transferts d'échantillons ou des données réglementaires, votre infrastructure technologique définit ce qui est possible, ce qui est traçable et, en fin de compte, ce qui est reproductible.

À l'heure actuelle, trop d'organisations développent une science à enjeux élevés sur des bases numériques peu fiables.

Que signifie réellement l'infrastructure dans les sciences de la vie ?

C'est bien plus qu'un logiciel. Une véritable infrastructure numérique pour la R&D scientifique signifie :

• Modèles de données normalisés : Formatage, structure et taxonomie cohérents entre les expériences, les instruments et les départements.
• Systèmes pilotés par le flux de travail : Des outils qui reflètent la façon dont les travaux scientifiques se déroulent réellement, et pas seulement des formulaires de saisie de données génériques.
• Interopérabilité dès la conception : Des API et des intégrations robustes, en temps réel, qui permettent un flux de données fluide entre les systèmes.
• Responsabilité des utilisateurs et pistes d'audit : Chaque action est suivie et contextualisée automatiquement.
• Configuration évolutive : La capacité d'évoluer au fur et à mesure de l'évolution de la science, sans dette technique ni dépendance vis-à-vis d'un fournisseur.
• Lacs de données structurés et consultables : Il ne s'agit pas seulement de stockage, mais aussi de connaissances interrogeables à des fins d'analyse rétrospective, de méta-études et de préparation au machine learning.

Cette infrastructure est ce qui distingue la documentation scientifique de l'intelligence scientifique.

À quoi ressemble une bonne infrastructure

Pour garantir une reproductibilité optimale, nous devons penser comme des architectes de systèmes, et pas seulement comme des scientifiques.

Une infrastructure prête pour la reproductibilité est la suivante :

1. Unifié

Toutes les fonctions expérimentales de base, y compris le suivi des échantillons, l'exécution de protocoles, la capture de données et l'analyse des résultats, sont hébergées sur une seule plateforme connectée ou sont interopérables de par leur conception.

2. Riche en contexte

Chaque résultat est automatiquement lié à ses conditions expérimentales, à la lignée des échantillons, à la version du protocole et à l'historique des interactions utilisateur.

3. Priorité à l'API

Le système est conçu pour transmettre et extraire des données en temps réel, permettant ainsi l'automatisation, les tableaux de bord et les analyses sans silos de données.

4. Flexible

Vous ne devriez pas avoir besoin d'une migration complète à chaque fois que votre type d'échantillon, votre équipement, votre flux de travail expérimental ou vos réactifs changent. Une bonne infrastructure est modulaire, configurable et adaptable à l'évolution des flux de travail.

5. Conçu pour la découverte

Les données ne sont pas stockées dans des silos. Il est structuré et indexé afin que les équipes puissent en tirer des enseignements. L'IA et le ML ne peuvent apporter de la valeur que si les données sont cohérentes et consultables.

Il ne s'agit pas uniquement d'un travail informatique ; c'est une priorité stratégique

Chaque flux de travail repose sur une décision d'infrastructure, prise intentionnellement ou par défaut.

Si l'objectif est d'accélérer le développement de médicaments, de réussir des audits réglementaires ou de développer des équipes à l'échelle mondiale, l'infrastructure n'est pas une fonction principale, mais un moteur essentiel de la rapidité scientifique.

La différence entre un laboratoire qui innove constamment et un laboratoire qui se noie dans ses propres données se résume souvent à ceci :

Contrôlez-vous votre infrastructure ou est-ce votre infrastructure qui vous contrôle ?

Améliorer l'expérience utilisateur (UX)

Demandez à n'importe quel scientifique comment il passe sa journée, et vous n'entendrez pas « repousser les limites de l'innovation moléculaire ».

Vous entendrez quelque chose comme : « J'étais en train de fouiller dans d'anciennes entrées ELN, de rechercher une version du protocole, de recouper une feuille de calcul et d'essayer de me rappeler ce que signifiait cet étrange exemple d'étiquette. »

Il ne s'agit pas d'un problème logiciel.

Il s'agit d'un problème d'expérience utilisateur (UX).

La solution : une plateforme de laboratoire unifiée qui donne la priorité à SX

L'avenir des travaux scientifiques ne sera pas défini par des listes de fonctionnalités ou des tableaux de bord tape-à-l'œil ; il sera défini par la facilité avec laquelle il est possible de trouver des données critiques, de s'y fier et d'agir sur celles-ci.

C'est là qu'une plateforme unifiée devient essentielle, en particulier une plateforme qui :

• Regroupe les expériences, les échantillons, les protocoles et les résultats dans un espace de travail unique et connecté
• Permet aux scientifiques de passer facilement de la planification à l'exécution et à l'analyse, sans quitter le système
• Intégre la communication, les approbations et l'auditabilité au flux de travail lui-même
• Propose des informations contextuelles, et pas seulement des fichiers, au moment où elles sont le plus nécessaires
• Est conçu pour les scientifiques eux-mêmes, et pas seulement pour les administrateurs informatiques ou les réviseurs réglementaires

C'est ce que signifie donner la priorité à l'UX.

Ce que permettent les plateformes de laboratoire pilotées par l'expérience utilisateur : reproductibilité et plus encore

Lorsque la plateforme est unifiée et intuitive, les avantages sont immédiats et exponentiels :

• Des résultats plus reproductibles car toutes les actions et les données sont saisies dans leur contexte
• Intégration plus rapide pour les nouveaux scientifiques qui n'ont plus besoin d'apprendre six outils pour démarrer
• Une meilleure collaboration entre les scientifiques de laboratoire, les équipes informatiques, l'assurance qualité et la direction
• Des transferts plus clairs entre les services professionnels, la réussite des clients et les équipes commerciales
• Intégrité des données renforcée tout au long du cycle de vie d'un projet

L'expérience utilisateur n'est pas un luxe ; c'est la couche essentielle qui permet à la science d'évoluer de manière sûre et intelligente.

On ne peut pas réparer la science sans réparer l'expérience scientifique

Si nous nous soucions de la rapidité, de la reproductibilité et de la collaboration, nous devons nous intéresser à l'expérience. Parce que les scientifiques n'ont pas seulement besoin de meilleurs outils, ils ont besoin de meilleurs systèmes qui correspondent à leur façon de penser, de travailler et de partager leurs connaissances.

Et ce système doit être unifié, intuitif et adapté aux réalités de la R&D moderne.

L'UX doit occuper une place centrale dans la manière dont nous construisons la prochaine génération de plateformes scientifiques.

Parce que lorsque les scientifiques sont en mesure de se concentrer, de trouver de la clarté et de faire confiance à leurs systèmes, ils ne se contentent pas de travailler mieux, ils découvrent plus rapidement.

Pour en savoir plus sur la façon d'optimiser votre laboratoire, nous contacter pour une consultation gratuite de 30 minutes.

‍