![pageSearch](/themes/hestia/images/page-search.webp)
Junkosha planea una nueva planta médica para 2025
May 26, 2023Prueba de tubo de PTFE para impresión 3D
May 27, 2023Sin ácido: circuitos integrados abiertos con una bobina de Tesla
May 28, 2023Desalación solar pasiva hacia una alta eficiencia y rechazo de sal por vía inversa
May 29, 2023La fibra de carbono y el Kevlar hacen que este actuador lineal sea rápido y resistente
May 30, 2023Presentamos el laboratorio del futuro
![Jul 14, 2023](/themes/hestia/images/news-details-icon1.webp)
Complete el siguiente formulario y le enviaremos por correo electrónico una versión en PDF de "Presentación del laboratorio del futuro"
Complete el siguiente formulario para desbloquear el acceso a TODOS los artículos de audio.
Mirando alrededor de un laboratorio de investigación hoy, ¿qué ves? Los investigadores extraen datos de cientos de equipos independientes antes de agregarlos manualmente a una hoja de cálculo (introduciendo errores a medida que avanzan). Esas hojas de cálculo están divididas en varias computadoras, y los investigadores luchan por limpiar y analizar cada una de ellas. Es probable que vea a cada investigador trabajando como un silo individual utilizando libros de laboratorio escritos a mano, sin tener en cuenta la sostenibilidad, la eficiencia energética o del laboratorio o la reducción de costos. El 70% del tiempo de los trabajadores de laboratorio se pierde en tareas administrativas, trabajos de preparación, búsqueda y limpieza de datos e informes.1 ¿No existe una mejor manera de hacer ciencia?
En este artículo le presentamos el laboratorio del futuro, lo que puede esperar encontrar en él y qué impactos tendrá en la investigación científica y la industria.
El término "laboratorio del futuro" es un nombre colectivo para las tecnologías que caracterizarán y permitirán a la próxima generación de investigadores. Echemos un vistazo a cómo funcionará el laboratorio.
En el laboratorio del futuro, la recopilación de datos estará habilitada mediante dispositivos plug-and-play dentro del Internet de las cosas en procesos de laboratorio semiautónomos. Todos los datos y metadatos obtenidos del análisis y la experimentación se alimentarán directamente de los instrumentos y los investigadores en un ecosistema de datos único y gestionado, que se convertirá en un registro indeleble y permanecerá disponible para análisis posteriores.
La automatización y la robótica se encargarán de todas las muestras, productos químicos y equipos. Los sensores registrarán la actividad del laboratorio y garantizarán el suministro de reactivos y muestras, lo que permitirá a los científicos trabajar en su área de especialización: investigación y valor añadido.
El laboratorio del futuro integrará tecnología virtual y física y podrá compartirse entre equipos y organizaciones, tanto en persona como de forma remota.
Las herramientas de visualización, como la realidad aumentada, mejorarán lo que ven los investigadores con información digital, como procedimientos de seguridad y números de lote.
Los problemas de la cadena de suministro se predecirán y resolverán automáticamente mediante modelos de aprendizaje automático y sistemas encargados de ofrecer resultados específicos para mejorar su desempeño, volviéndose más eficientes a medida que avanzan.
El laboratorio del futuro también tendrá mucho más en cuenta la sostenibilidad, la eficiencia del laboratorio y la energía, y obtendrá productos ambientalmente responsables fabricados con menos materiales tóxicos.
Entonces, ¿cómo se va a lograr todo esto y qué tecnologías se necesitarán para hacerlo realidad?
Las innovaciones del laboratorio del futuro se pueden dividir en siete grandes grupos:
Al vincular personas, equipos, consumibles, sistemas y datos, se hace que la información sea más accesible, lo que permite realizar búsquedas confiables y detalladas bajo demanda. Los investigadores y otro personal deben tener confianza en sus datos y, como tales, los datos deben ser de alta calidad: deben ser FAIR2 (encontrables, accesibles, interoperables y reutilizables). Los sistemas de gestión de información de laboratorio (LIMS) y los cuadernos electrónicos de laboratorio (ELN) son fundamentales en este sentido.3
Un LIMS es un tipo de software alojado en un servidor diseñado para mejorar la productividad y la eficiencia del laboratorio mediante el seguimiento de los datos asociados con muestras, experimentos, flujos de trabajo de laboratorio e instrumentos. Es una herramienta que le permite gestionar activamente todos los procesos del laboratorio, desde el mantenimiento de instrumentos y muestras hasta personas y consumibles, reduciendo el error humano y aumentando la eficiencia.4
Un ELN es un software creado para recopilar y organizar información y notas, lo que permite a los investigadores documentar investigaciones, experimentos y procedimientos realizados en un laboratorio, y recopilar, organizar y compartir sus datos sin problemas.5
Como ejemplo, el Centro de Recursos de Tejidos Humanos (HTRC) del Departamento de Patología de la Universidad de Chicago adoptó una solución LIMS que integra una interfaz diseñada para un entorno de producción escalable. Recopila y rastrea datos de biobancos, como información del paciente, diagnóstico, sitio del órgano e informes de patología vinculados.
Hasta hace poco, un LIMS podía ser una opción realmente costosa; emplear especialistas en servidores y personal técnico puede suponer una pérdida de recursos, y LIMS solo era realmente una solución viable para las empresas más grandes.
Ahora existen LIMS basados en la nube, donde todo esto se hace por usted: un proveedor lo aloja externamente. No hay costos iniciales, no hay que contratar personal técnico y la seguridad y el cumplimiento normativo están integrados como estándar.
Sin embargo, una solución basada en la nube conlleva mayores riesgos, como las infracciones cibernéticas. Es fundamental que un laboratorio esté protegido contra ataques cibernéticos y que los datos permanezcan seguros, que el uso cumpla con las normas y al mismo tiempo sea transparente para las partes interesadas autorizadas. Esta conciencia ha hecho que la seguridad sea primordial para muchos proveedores de nube.
El Proyecto Miami para Cure la Parálisis es un centro pionero de investigación sobre lesiones de la médula espinal que administra un laboratorio en la Universidad de Miami. Si bien su laboratorio es relativamente pequeño, sus más de 20 científicos investigadores realizan análisis de alto contenido de genes y compuestos para explorar formas de hacer que las células nerviosas crezcan mejor, y la cantidad de datos que generan es abrumadora.
Primero hicieron la transición de un sistema basado en papel a una solución LIMS autohospedada y luego a una solución LIMS basada en la nube.
“Las actualizaciones ahora son automáticas y el Proyecto Miami sigue a la vanguardia. Para un laboratorio pequeño, esto es una gran ventaja”, afirma Vance Lemmon, profesor de cirugía neurológica en el laboratorio.6
En el laboratorio digital, existe una mejor interconexión de instrumentos gracias al Internet de las cosas (IoT). Esto permite que los datos se recopilen de manera más eficiente, lo que permite a las empresas farmacéuticas y de ciencias biológicas controlar la calidad del producto, optimizar el rendimiento de los activos del laboratorio, los flujos de trabajo del laboratorio y acelerar el rendimiento de la investigación y, en última instancia, mejorar los resultados de los pacientes.
IoT se refiere a la integración de dispositivos inteligentes en todo el entorno del laboratorio a través de sensores o software conectados a Internet. La disponibilidad de tecnología asequible y conectada está permitiendo a los laboratorios optimizar sus operaciones y combinar instrumentos y datos de manera más eficiente.7 Esto inevitablemente genera grandes cantidades de datos (volumen) de diferentes fuentes (variedad) lo más cerca posible del tiempo real (velocidad). . Estas “tres V del big data” y la capacidad de transformar un tsunami de datos en resultados viables son clave para comprender los desafíos de la gestión de (big) data.8
Además, la sostenibilidad es otra prioridad para la industria de las ciencias biológicas. Los laboratorios pueden minimizar la exposición a peligros, reducir los desechos, aumentar la eficiencia del laboratorio y reducir los costos mediante el uso de instrumentos y equipos energéticamente eficientes y el abastecimiento de productos ambientalmente responsables que se fabrican con menos materiales tóxicos.
Por ejemplo, muchos laboratorios ahora utilizan bombillas LED de bajo consumo en lugar de iluminación tradicional, e incluso están cambiando a microscopía sin mercurio.
Saber que ciertos productos químicos, como la formalina, el alcohol etílico y el xileno se pueden reciclar, destilar o filtrar, puede ayudar a formular una estrategia para evitar que los desechos químicos formen parte del flujo de desechos del laboratorio, y también puede reducir los costos. Una organización sin fines de lucro La organización ha introducido un esquema de etiquetado de factor de impacto ambiental neutral para el proveedor – ACT (responsabilidad, coherencia y transparencia) – similar al esquema de etiquetado nutricional de alimentos que vemos en los estantes de nuestros supermercados. El esquema ACT tiene como objetivo proporcionar información sobre el impacto ambiental de la fabricación, el uso y la eliminación de un producto y su embalaje, facilitando la elección de productos seguros y sostenibles en el laboratorio.9
Una vez que sus datos y flujos de trabajo estén automatizados y optimizados, podrá utilizar estas modalidades de análisis avanzado para generar conocimientos prácticos, lo que le permitirá tomar decisiones comerciales inteligentes basadas en datos.
Hay dos modos principales de IA; predictivo y basado en objetivos.
En modo predictivo, la IA se puede utilizar para anticipar, por ejemplo, cuándo pueden surgir problemas en la gestión de la cadena de suministro e implementar soluciones automáticamente.
En el modo basado en objetivos, puede indicarle a un sistema inteligente el resultado deseado y permitirle aprender de forma iterativa cómo lograr ese resultado. Esto es de particular importancia en el área de la robótica, pero también puede llevar a la IA a seleccionar el experimento óptimo para realizar a continuación. Recientemente, por ejemplo, una empresa con sede en el Reino Unido posiblemente resolvió uno de los mayores desafíos que la biología ha enfrentado durante varias décadas –el “problema del plegamiento de proteínas”– utilizando un sistema de inteligencia artificial conocido como AlphaFold para predecir y determinar la estructura y forma de una proteína. 10
La automatización del laboratorio suele clasificarse según el grado de integración de los instrumentos:11
Muchos laboratorios ahora combinan análisis avanzados con automatización y robótica para lograr descubrimientos científicos más rápidos y enfocados. Por ejemplo, los laboratorios pueden utilizar robótica y sistemas automatizados para generar datos de alta calidad, que son interpretados por ML y utilizados por AI para seleccionar el siguiente experimento óptimo a realizar.12 Del mismo modo, los laboratorios de I+D han estado utilizando algoritmos de IA y automatización en estos mismos Enfoques de circuito cerrado para identificar, sintetizar y validar nuevas moléculas. Por ejemplo, utilizando un enfoque de aprendizaje automático y datos de expresión genética, investigadores del Centro de Medicina Molecular de Oslo (Noruega) encontraron nuevos biomarcadores y posibles dianas farmacológicas para el raro sarcoma de tejido blando.13
La realidad virtual (VR) ha ido ganando aceptación en el laboratorio, con proyectos prometedores en marcha, como el uso de cascos de realidad virtual para navegar por datos microscópicos y realizar análisis de colocalización.16
Y de la realidad virtual está surgiendo la realidad aumentada (RA), que ahora se está expandiendo fuera del mundo de los juegos hacia los laboratorios. A diferencia de la realidad virtual, la realidad aumentada no desconecta a las personas del mundo real, sino que lo mejora agregando información adicional.
La RA se puede utilizar para ayudar con la investigación, la capacitación, las colaboraciones internacionales y el cumplimiento normativo de las ciencias biológicas.
Con la RA, los formadores podrían supervisar a los investigadores de forma remota, viendo y escuchando su entorno y ofreciendo consejos en tiempo real. Los laboratorios de investigación podrían crear sus propios programas de capacitación, incorporando AR e IA para agilizar los procesos de inducción de nuevos investigadores y garantizar el cumplimiento de los procedimientos operativos estándar.
Uno de los mayores valores que la RA podría aportar a los laboratorios de investigación es la capacidad de capturar datos de control de calidad en tiempo real, lo que permite a los investigadores tomar decisiones sobre el terreno para mantener la calidad.
Las herramientas de RA también pueden ayudar con el cumplimiento proporcionando protocolos interactivos, registrando datos automáticamente e incluyendo marcas de tiempo de todas las tareas, incluso monitoreando las acciones de los investigadores y solo desbloqueando los pasos posteriores una vez que cada tarea se realiza correctamente.
Como parte de los esfuerzos de la Organización de las Naciones Unidas para el Desarrollo Industrial (ONUDI) para promover la industria y la tecnología inteligente moderna, en 2020 establecieron una evaluación virtual del Laboratorio de Cosméticos de la Autoridad de Alimentos y Medicamentos (FDA) del gobierno de Ghana en Accra.17
Utilizaron AR para permitir que un experto internacional en análisis de laboratorio, con sede en Roma, intercambiara video, audio y datos, brindara soporte técnico y evaluara la infraestructura física, el equipo y las capacidades humanas del laboratorio en Accra. El analista del Laboratorio de Cosméticos de la FDA pudo recibir instrucciones directamente del experto internacional y ejecutar las tareas requeridas.
En la sesión en vivo también participó el equipo de gestión del proyecto de ONUDI en Viena, Austria, y luego de realizar la visita virtual el equipo de expertos concluyó que el Laboratorio de Cosméticos de la FDA está listo para recibir apoyo de ONUDI en su proceso de acreditación.
Las organizaciones que atraviesan una transformación digital experimentarán la optimización de los procesos y el rendimiento, junto con un aumento concomitante en el control de calidad y el cumplimiento.18
El laboratorio digital estará mucho más automatizado y, como consecuencia, contendrá menos científicos. Por lo tanto, las habilidades de las personas que trabajan en el laboratorio serán fundamentales para su funcionamiento. Los investigadores que queden experimentarán espacios de trabajo conjunto más abiertos para la colaboración y el trabajo en equipo.
Un mayor enfoque en tecnologías y estándares de datos como IoT y FAIR garantizará que la privacidad y la seguridad de los datos sigan siendo primordiales para proteger los activos digitales del laboratorio, y una mayor atención a los productos ambientalmente responsables hará que el laboratorio sea más sostenible, eficiente y rentable. .
Por último, siguen adaptándose y surgiendo nuevas tecnologías. Hace solo 10 años, las tecnologías de aprendizaje automático, realidad aumentada y reconocimiento de voz se encontraban en una etapa embrionaria de desarrollo y, aunque todavía están en su infancia, su utilidad continúa desarrollándose a un ritmo asombroso. Sería una locura intentar predecir cómo se utilizarán dentro de una década o predecir qué tecnologías nuevas, aún inéditas, surgirán.
Si bien el futuro puede ser difícil de predecir, lo justo es decir que el futuro del laboratorio, aunque continúa evolucionando, es emocionante.
1. Robinson, E. ¿Qué significa la cuarta revolución industrial para la investigación? https://www.technologynetworks.com/informatics/blog/what-does-the-fourth-industrial-revolution-mean-for-research-348411. Publicado el 4 de mayo de 2021.2. Wilkinson M, Dumontier M, Aalbersberg I, et al. Los principios rectores de FAIR para la gestión y administración de datos científicos. Datos de ciencia. 2016; 3: 160018. https://doi.org/10.1038/sdata.2016.183. Mackenzie, R. ELN, LIMS, CDS, LES: ¿Cuál es la diferencia? https://www.technologynetworks.com/informatics/articles/eln-lims-cds-les-whats-the-difference-313834. Publicado el 11 de enero de 2019.4. Mackenzie, R. ¿Cuáles son los últimos avances en LIMS? https://www.technologynetworks.com/informatics/infographics/what-are-the-latest-advances-in-lims-351926. Publicado el 27 de octubre de 20215. Mackenzie, R. Cinco formas en que el uso de un ELN puede mejorar su investigación. https://www.technologynetworks.com/informatics/lists/5-ways-that-using-an-eln-can-improve-your-research-324704. Publicado el 4 de octubre de 20196. Lemmon V, Buchser W, Crossett D. Integración de la informática y la detección de alto contenido para encontrar una cura para la lesión de la médula espinal: selección de un LIMS para la regeneración del SNC. Laboratorio americano. 2010; 42. 24-+.7. Gill JM. El Internet de las Cosas en el laboratorio de ciencias de la vida. SLAS Technol: Traduciendo la innovación en ciencias biológicas. 2018; 23(5): 405-406. doi:10.1177/24726303187931018. Gandomi A, Haider M. Más allá de las exageraciones: conceptos, métodos y análisis de big data. Revista internacional de gestión de la información. 2015; 35(2): 137-144, ISSN 0268-4012, https://doi.org/10.1016/j.ijinfomgt.2014.10.0079. Steward, K. La etiqueta de econutrición para material de laboratorio podría hacer de la ciencia un lugar más ecológico. https://www.technologynetworks.com/applied-sciences/articles/eco-nutrition-label-for-labware-could-make-science-a-greener-place-to-be-335504. Publicado el 1 de junio de 2020.10. Campbell, M. La inteligencia artificial resuelve un problema de 50 años en biología de proteínas. https://www.technologynetworks.com/proteomics/news/artificial-intelligence-cracks-a-50-year-old-problem-in-protein-biology-343427. Publicado el 30 de noviembre de 2020.11. Evangelopoulos AA, Dalamaga M, Panoutsopoulos K, Dima K. Nomenclatura y conceptos básicos de automatización en el laboratorio clínico: un glosario práctico. Laboratorio Clínico. 2013; 59: 1197-214. https://doi.org/10.7754/clin.lab.2013.13014012. Faron ML, Buchan BW, Relich RF, Clark J, Ledeboer NA. Evaluación del software de segregación WASPLab para analizar automáticamente urocultivos utilizando agares sanguíneos y MacConkey de rutina. J Clin Microbiol. 2020; 58: e01683-19. https://doi.org/10.1128/JCM.01683-1913. van IJzendoorn DGP, Szuhai K, Briaire-De Bruijn IH, et al. El análisis de aprendizaje automático de los datos de expresión genética revela nuevos biomarcadores de diagnóstico y pronóstico e identifica objetivos terapéuticos para los sarcomas de tejidos blandos. PLoS Comput Biol. 2019; 15: 1-19. https://doi.org/10.1371/journal.pcbi.100682614. Earnest S, Echt A, Garza E et al. Tecnologías portátiles para mejorar la seguridad y la salud en las obras de construcción. Centros de Control y Prevención de Enfermedades. https://blogs.cdc.gov/niosh-science-blog/2019/11/18/wearables-construction/. Publicado el 18 de noviembre de 2019.15. Howard J, Murashov V, Cauda E y Snawder J. Tecnologías de sensores avanzadas y el futuro del trabajo. Centros de Control y Prevención de Enfermedades. https://blogs.cdc.gov/niosh-science-blog/2021/10/21/sensors-fow/. Publicado el 21 de octubre de 2021.16. Theart RP, Loos B, Niesler TR. Visualización de datos de microscopía asistida por realidad virtual y análisis de colocalización. BMC Bioinformática 2017; 18, 64. https://doi.org/10.1186/s12859-016-1446-217. Dávila, JP. Cómo las “gafas inteligentes” pueden ayudar a los laboratorios de pruebas. https://www.unido.org/news/how-smart-glasses-can-support-testing-laboratories18. Taylor K, Ronte H, Payne S. Un futuro audaz para las predicciones de regulación de las ciencias biológicas 2025. 2018. Consultado el 20 de octubre de 2021. https://www2.deloitte.com/content/dam/Deloitte/global/Documents/Life-Sciences -Health-Care/gx-life-sciences-regulation-predictions-2025.pdf