赞迪观点 | 实验室智慧化之路

前言

随着生命科学的发展，市场对于药物的研发筛选、生物实验和体外检测相关的需求猛增，部分传统实验室在效率、安全、实验精准度等方面都表现出了不足，渐渐已不能满足日益增长的社会需要。自动化、智能化、数字化赋能的生物科学实验室应运而生，掀起了科研领域创新变革的浪潮，使得处于产业上游的实验室智慧化被越来越多的关注。

那么实验室智慧化之路到底是怎么的样呢？本期赞迪观点我们采访到了赞小迪来做知识普及。

智慧化实验室是运用物联网、自动化、云计算、人工智能等先进技术相结合构建的现代化实验室。

智慧化建设在传统工业领域已经有较为成熟的运用，例如电子、汽车生产等领域通过全自动流水线建设，部分替代，甚至某些领域实现全面代替人工，极大提高了生产效率、提升了产品质量并减少了生产成本，为领域带来大幅度效益增长。

来源：小米“黑灯工厂”

近年来，同样对效率有高要求的生命科学实验室也意识到了智慧化建设的作用，例如通过自动化设备或流水线建设替代重复性高的机械性人工操作、通过AI技术应用打造生命科学应用大模型和干湿实验闭环的场景更高效的进行蛋白结构的预测，药物分子的设计，疾病靶点的确认。生命科学实验室通过物联网、自动化、AI应用、云计算平台的建设改造让实验室从多维度“智慧”起来，这类实验室，我们称之为智慧实验室。

来源：视觉中国

实验室智慧化可以解放大量的人力、提高实验效率、降低试错成本，帮助实验人员更高效、安全、精准的完成实验。

从事生命科学和医药研发的科学家、以及很多平台技术型公司，CRO/CDMO的业内人员，他们从事的大多是开创性和创新型的研究，工作场景大多是实验室。熟悉这些实验室的人都知道，工作中会有特别多的手工操作，许多博导，博士后，博士研究生，要花大量的时间拿着移液枪进行重复的操作。不仅操作费力，生命科学实验的复杂度和多样性也非常高。随着高通量自动化设备的出现，尤其是移液工作站已经帮助帮助很多实验室大大提高了效率的提升，使得实验更加省时省力，同时也能实验操作更加标准化，结果可复制，这也是生命科学实验长期的痛点，不同的人不同的时间做出来的结果难以重复。

同时生命科学实验产生了大量的数据，如何挖掘这些数据的价值，靠人工是远远不够的，必须引入机器学习，人工智能，自动化和智能化的结合是必然的趋势。目前我们也看到人工智能也在逐步落地生命健康的越来越多的应用场景，AI对蛋白结构的预测、药物分子的设计、疾病靶点的确认等等。主要分为两个层次，在设计，预测，决策等方面，AI在自动化设备产生的大量实验数据之下不断完善自身模型，促进实验体系和流程的优化，成功率和效率的提升，另一方面，也在实验室的管理，控制，连接，运营方面，通过物联网，云平台，进行智能化的监控，反馈，调度，不断提升和优化实验室的运营效率。

此外在许多病原微生物实验中，直接接触某些病原微生物是非常危险的，医护人员要穿着防护服进行实验操作，而且为了避免病毒污染，一般来讲可能还要分成几个区，这样其实是一个很复杂的过程，效率也非常低下，试想如果通过智慧实验室来进行全流程的操作，减少或避免人为的干预和参与，就可大大规避风险，提高效率。

我们认为的实验室智慧化整体解决方案应该软硬结合，在各个环节提高自动化和人工智能的渗透，并通过物联网和云计算，实现全流程的智能化。

硬件部分由各类自动化单机设备构成一体化整合平台，涵盖从基因，蛋白，细胞，类器官等各个层次的多种体系的实验系统；软件部分由标准单机产品的控制软件、实验室自动化整合平台软件、全流程仿真时序软件、实验室管理系统软件、实验过程记录本软件、实验数据管理分析软件等组成生命科学实验室层面的实验室操作系统平台。在此基础上通过物联网、工业5G、云平台、大数据、生物AI技术形成一个全流程平台，实现云实验室管理、云实验室运行监控、实验数据分析等生命科学实验室应用功能，从而能够为生命科学领域用户提供科学研究、药物发现，体外诊断等应用服务，实现智能化、自动化的科学产业生态全链条服务平台。

汉赞迪的生命科学智慧实验室-BAIoT也应运而生。通过此平台将生命科学实验室重新打造为一个生命科学智能数据生成中心和应用中心。通过平台实现高通量实验室自动化管理，通过该平台的大数据、数字孪生等技术实现各种生命科学的应用。生物科学家们能够通过该平台实现实验过程的设计、运行、验证、数据分析，从而实现并加速科学发现。

当下整个生命科学行业自动化的渗透率还不到10%，相较于一些行业是比较低的，另一方面是生命科学行业的特点，多样性，复杂性，标准化难度高，很多逻辑和机理还不太清晰，是一个非常“柔型”的行业。目前的实验室自动化也还处在相对早期的阶段，更多的是单一功能的自动化。如前所述，生命科学实验的多样性，所需要的设备也多种多样，各种品牌的设备存在着“开放和兼容”的问题，没有很标准化的操作驱动，无法很好的串联到一起，怎么样进行协调的运动，是实验室智慧化管理上的一个难点。

此外AI算法模型需要大量的数据作为支撑进行学习训练，生命科学行业数据的非共享、非标准化导致只能依靠高通量自动化设备循环产生的实验数据作学习，所需要的时间成本是非常大的，因此AI模型的数据训练也是一个很大难点。

实验室智慧化的过程中，硬件的非兼容与软件整合的困难，是行业内一个巨大的挑战，单模块的自动化仍然需要一定量的人工进行配合操作，远远称之不上智慧化，一体化的实验室需要打通各个单机模块合作协调串联；AI算法训练中至关重要的数据是否可以进行合作共享及连接闭环，以便于优化AI模型也是业内的另一大挑战，组建行业联盟兼容硬件设备、共享数据推动AI模型的优化便成了引领行业变革的机会。

同时智慧实验室领域处于行业发展早期，作为一个新兴的交叉领域，行业需要拥有软硬件工程、人工智能和生命科学等交叉背景的团队、企业去推陈出新，引领变革，懂得行业“know-how”的团队、企业才能更精准的抓住各类生科实验室用户的实际需求，助力用户进行实验室智慧化改造、推动行业发展，这也是一个巨大的机会。