介绍未来实验室

环顾今天的研究实验室，你看到了什么?研究人员从数百台独立设备中提取数据，然后手动将其添加到电子表格中(在此过程中会出现错误)。这些电子表格被分散在多台电脑上，研究人员努力清理和分析每一台电脑。你很可能会看到每个研究人员都像一个单独的竖井一样工作，使用手写的实验室书籍，很少考虑可持续性、实验室或能源效率或成本降低。实验室工作人员70%的时间浪费在管理任务、准备工作、查找和清理数据以及报告上。¹难道没有更好的科学研究方法了吗?

在这篇文章中，我们将向您介绍未来的实验室，您应该期望在其中找到什么，以及它将对科学研究和工业产生什么影响。

W 未来的实验室是什么?

“未来实验室”这一术语是一个统称，指的是将为下一代研究人员提供特色和能力的技术。让我们来看看实验室将如何运行。

在未来的实验室中，数据收集将通过物联网中的即插即用设备在半自主的实验室过程中实现。从分析和实验中产生的所有数据和元数据将直接从仪器和研究人员输入到一个单一的、受管理的数据生态系统中，这将成为不可磨灭的记录，并可用于进一步分析。

自动化和机器人将处理所有样品、化学品和设备。传感器将记录实验室活动，并确保试剂和样品的供应，使科学家能够在他们的专业领域工作——研究和增值．

的未来的实验室将集成虚拟和物理技术，并可能在团队之间和跨组织之间进行共享，包括面对面和远程共享。

可视化工具，如增强现实，将增强研究人员所看到的数字信息，如安全程序和批号。

供应链问题将由机器学习模型和系统自动预测和解决，系统的任务是提供特定的结果，以提高其性能，变得更加高效。

未来的实验室还将更加注重可持续性，实验室和能源的效率，并将使用更少的有毒材料制造对环境负责的产品。

为未来实验室提供动力的技术

那么，这一切将如何实现，需要什么技术才能实现呢?

未来实验室的创新可以分为七大类:

1. 连通性，LIMS和eln
2. 数据、云和网络安全
3. 物联网
4. 实验室设计与可持续发展
5. 人工智能和机器学习
6. 自动化与机器人
7. 实验室可穿戴设备、增强现实和虚拟实验室

连通性，LIMS和eln

数字化转型从集成到单一公共平台开始，从而能够访问所有可用的数据资产。 这包括仪器的实验和操作数据。通过连接这些不同类型的数据，您将提高数据的完整性和透明度，促进遵从性并优化生产力。

通过将人员、设备、消耗品、系统和数据连接起来，您可以更容易地获取信息，从而实现可靠、详细的按需搜索。研究人员和其他工作人员应该对你的数据有信心，因此，数据应该是高质量的——它应该是公平的²(可查找、可访问、可互操作和可重用)。实验室信息管理系统(LIMS)和电子实验室笔记本(ELNs)在这方面至关重要。^3.

LIMS是一种软件安装在服务器上旨在通过跟踪与样品、实验、实验室工作流程和仪器相关的数据来提高实验室的生产力和效率。它是一种工具，允许您主动管理所有实验室流程，从仪器维护和样品到人员和消耗品，减少人为错误，提高效率。⁴

ELN是一种用于收集和组织信息和笔记的软件，允许从事研究的科学家记录在实验室中进行的研究、实验和程序，并无缝收集、组织和共享他们的数据。⁵

作为一个例子，芝加哥大学病理学系人类组织资源中心(HTRC)采用了LIMS解决方案，集成了为可扩展生产环境设计的接口．它收集和跟踪生物库数据，如患者信息、诊断、器官部位和相关病理报告。

数据、云和网络安全

最前沿的研究人员现在更多地依赖LIMS和eln来节省时间和精力。

直到最近，LIMS可能是一个非常昂贵的选择;雇佣服务器专家和技术人员可能会消耗资源，LIMS只是大型公司的可行解决方案。

现在有了基于云的LIMS，所有这些都是由供应商在外部托管的。没有前期成本，不需要雇佣技术人员，并且作为标准内置了安全和法规遵从性。

然而，基于云的解决方案会增加风险，比如网络入侵。至关重要的是，保护实验室免受网络攻击，数据保持安全，使用是合规的，同时对授权的利益相关者透明。这种意识使安全性成为许多云提供商的头等大事。

的迈阿密治疗瘫痪项目是一个开创性的脊髓损伤研究中心，在迈阿密大学有一个实验室。虽然他们的实验室相对较小，但他们的20多名研究科学家对基因和化合物进行高含量筛选，以探索使神经细胞更好地生长的方法，他们产生的数据量是压倒性的。

他们首先从基于纸张的系统过渡到自托管的LIMS解决方案，然后过渡到基于云的LIMS解决方案。

“现在升级是自动的，迈阿密项目仍然处于领先地位。对于一个小实验室来说，这是一个巨大的优势，”实验室神经外科教授Vance Lemmon说。⁶

在数字实验室中，由于物联网(IoT)，仪器之间的互联性得到了改善。这样可以更有效地收集数据，使制药和生命科学公司能够控制产品质量，优化实验室资产性能，实验室工作流程和研究吞吐量加速，并最终改善患者的治疗结果。

物联网是指智能设备的集成整个实验室的景观通过联网传感器或软件。可负担得起的互联技术的可用性使实验室能够优化其操作，并更有效地结合仪器和数据。⁷这将不可避免地从不同来源(多样性)生成尽可能接近实时(速度)的大量数据(量)。这就是“大数据的3v”将海啸般的数据转化为可操作的结果的能力是理解(大)数据管理挑战的关键。⁸

实验室设计与可持续发展

未来的实验室面临着设计更开放的联合工作区域的压力，以促进协作和团队合作，而不是传统的小团体和部门的筒仓文化。 因此，实验室的设计和可用性需要不断发展，以满足新一代数字实验室科学家的需求。

此外，可持续性是生命科学行业的另一个优先事项。通过使用节能仪器和设备，以及采购使用较少有毒材料制造的对环境负责的产品，实验室能够最大限度地减少危险暴露，减少浪费，提高实验室效率并降低成本。

例如，许多实验室现在使用低能耗LED灯泡而不是传统照明，甚至改用无汞显微镜。

意识到某些化学物质，如福尔马林、乙醇和二甲苯可以回收、蒸馏或过滤，有助于制定策略，防止化学废物成为实验室废物流的一部分，也可以降低成本。

一个非营利组织已推出供应商中立的环境影响因子标签计划-行为(问责制、一致性和透明度)——类似于我们看到的食品营养标签制度在我们的超市货架。ACT计划旨在提供有关产品的制造、使用和处理及其包装对环境的影响的信息，使人们更容易在实验室中选择安全、可持续的产品。⁹

人工智能和机器学习

过去十年数据的爆炸式增长，使得计算能力的提升和人工智能的发展成为必要(AI)和机器学习(ML)训练算法。

一旦您的数据和工作流程实现自动化和优化，您将能够使用这些先进的分析模式来推动可操作的见解，使您能够做出明智的、基于数据的业务决策。

AI有两种主要模式;预测和目标为基础。

在预测模式下，人工智能可用于预测，例如，供应链管理中何时可能出现问题，并自动实施解决方案。

在基于目标的模式中，您可以指示智能系统您想要的结果，并允许它迭代学习如何实现该结果。这在机器人领域尤其重要，但也可以引导人工智能选择下一步要做的最佳实验。例如，最近，一家总部位于英国的公司可以说解决了生物学几十年来面临的最大挑战之一——“蛋白质折叠问题”——使用名为AlphaFold的人工智能系统来预测和确定蛋白质的结构和形状。¹⁰

自动化与机器人

毫无疑问，未来的实验室将与高效的数据管道相连接，但通过确保仪器和软件协同交互，自动化实验室将最大限度地提高生产力，提高可重复性并减少处理错误。通过使用机器人和自动推车来提高自动化程度，可以减少科学家所需要的非生产性任务的数量。

实验室自动化通常根据仪器集成程度进行分类:¹¹

• 无自动化(单机)
• 部分实验室自动化(仪器与分析工作站相互连接并部分集成)
• 全面实验室自动化(TLA)，其中执行不同类型测试的大多数仪器在物理上集成为模块化系统或通过装配线连接

许多实验室现在将先进的分析与自动化和机器人技术相结合，以实现更快、更有针对性的科学发现。例如，实验室可以使用机器人技术和自动化系统来生成高质量的数据，这些数据由ML解释，并由AI用于选择下一个要进行的最佳实验。¹²同样，研发实验室一直在使用这些闭环方法中的人工智能算法和自动化来识别、合成和验证新分子。例如，利用ML方法和基因表达数据，挪威奥斯陆分子医学中心的研究人员发现了罕见软组织肉瘤的新型生物标志物和潜在药物靶点。¹³

实验室可穿戴设备、增强现实和虚拟实验室

制造、建筑和食品加工等行业正在积极寻找实时大规模监控、参与和管理员工的解决方案，现代实验室也在做同样的事情。在这种情况下，由人工智能驱动的智能可穿戴设备可以提供有关劳动力生产率和安全性的见解，使管理更高效、更有效。^14，15

虚拟现实(VR)已经在实验室中得到了广泛的接受，一些有前景的项目已经到位，比如使用VR头戴设备来导航显微镜数据和进行共定位分析。¹⁶

来自VR的是新兴的增强现实技术(AR)，它现在正从游戏世界扩展到实验室。与VR不同的是，AR并没有将人们与现实世界断开，而是通过添加额外的信息来增强现实世界。

AR可用于帮助生命科学研究、培训、国际合作和监管合规。

通过增强现实技术，培训师可以远程监控研究人员，看到和听到他们的环境，并实时提供建议。研究实验室可以建立自己的培训计划，结合增强现实和人工智能来简化新研究人员的入职过程，并确保遵守标准操作程序。

增强现实技术给研究实验室带来的最大价值之一是能够实时捕获质量控制数据，使研究人员能够当场做出决定，以保持质量。

AR工具还可以通过提供交互式协议、自动记录数据和包括所有任务的时间戳来帮助合规性，甚至可以监控研究人员的动作，并且只有在正确执行每个任务时才解锁后续步骤。

作为联合国工业发展组织(unido)促进工业和现代智能技术努力的一部分，他们于2020年在阿克拉对加纳政府的食品和药物管理局(FDA)化妆品实验室进行了虚拟评估。¹⁷

他们利用增强现实技术，使驻罗马的国际实验室分析专家能够交换视频、音频和数据，为阿克拉实验室提供技术支持并评估物理基础设施、设备和人员能力。FDA化妆品实验室的分析师能够直接接受国际专家的指示并执行所需的任务。

在奥地利维也纳的工发组织项目管理小组也参加了现场会议，在进行虚拟访问后，专家小组得出结论，FDA化妆品实验室已准备好在其认证过程中获得工发组织的支持。

经历数字化转型的组织将经历流程和吞吐量的优化，同时质量控制和合规性也将随之提高。¹⁸

数字实验室的自动化程度将大大提高，因此科学家的数量将减少。因此，实验室工作人员的技能在其运作中至关重要。留下来的研究人员将体验到更开放的联合工作空间，进行协作和团队合作。

对物联网和FAIR等技术和数据标准的更多关注将确保数据隐私和安全在保护实验室的数字资产方面仍然是至关重要的，而对环境负责任的产品的更多关注将使实验室更加可持续、高效和具有成本效益。

最后，新技术不断适应和出现。就在10年前，ML、AR和语音识别技术还处于发展的萌芽阶段，虽然它们仍处于起步阶段，但它们的效用仍在以惊人的速度发展。试图预测十年后它们将如何被使用，或者预测将会出现哪些目前闻所未闻的新技术，都是愚蠢的。

虽然未来可能难以预测，但公平地说，实验室的未来在继续发展的同时，是令人兴奋的。

参考文献

1.第四次工业革命对研究意味着什么?//www.dile1000.com/informatics/blog/what-does-the-fourth-industrial-revolution-mean-for-research-348411．2021年5月4日出版。

2.威尔金森M，杜蒙蒂埃M，阿尔伯斯伯格I，等．科学数据管理和管理的FAIR指导原则。科学数据．2016;3: 160018。https://doi.org/10.1038/sdata.2016.18

3.麦肯齐，R. ELN, LIMS, cd, LES:有什么不同?//www.dile1000.com/informatics/articles/eln-lims-cds-les-whats-the-difference-313834．2019年1月11日发布。

4.LIMS的最新进展是什么?//www.dile1000.com/informatics/infographics/what-are-the-latest-advances-in-lims-351926．2021年10月27日出版

5.使用ELN可以改善你的研究的5种方法。//www.dile1000.com/informatics/lists/5-ways-that-using-an-eln-can-improve-your-research-324704．2019年10月4日出版

6.Lemmon V, Buchser W, Crossett D.整合信息学和高含量筛查寻找脊髓损伤的治疗方法:选择一种用于中枢神经系统再生的LIMS。美国实验室．2010;42.24 - +。

7.吉尔JM。生命科学实验室中的物联网。SLAS科技:翻译生命科学创新．2018;23(5): 405 - 406。doi: 10.1177 / 2472630318793101

8.甘多米A，海德尔M.超越炒作:大数据概念，方法和分析。国际信息管理杂志．2015;35(2): 137-144, issn 0268-4012，https://doi.org/10.1016/j.ijinfomgt.2014.10.007

9.实验室用具的生态营养标签可以使科学成为一个更环保的地方。//www.dile1000.com/applied-sciences/articles/eco-nutrition-label-for-labware-could-make-science-a-greener-place-to-be-335504．2020年6月1日发布。

10.人工智能破解了蛋白质生物学50年之久的难题。//www.dile1000.com/proteomics/news/artificial-intelligence-cracks-a-50-year-old-problem-in-protein-biology-343427．2020年11月30日发布。

11.Evangelopoulos AA, Dalamaga M, Panoutsopoulos K, Dima K.临床实验室环境中自动化的命名法和基本概念:实用术语表。中国实验室．2013;59: 1197 - 214。https://doi.org/10.7754/clin.lab.2013.130140

12.Faron ML, Buchan BW, Relich RF, Clark J, Ledeboer NA。评价WASPLab分离软件自动分析常规血和麦康基琼脂尿培养。临床微生物学．2020;58: e01683-19。https://doi.org/10.1128/JCM.01683-19

13.van IJzendoorn DGP, Szuhai K, Briaire-De Bruijn IH，等．基因表达数据的机器学习分析揭示了新的诊断和预后生物标志物，并确定软组织肉瘤的治疗靶点。PLoS计算生物学．2019;15: -。https://doi.org/10.1371/journal.pcbi.1006826

14.恩尼斯特，埃希特A，加尔扎E等．可穿戴技术提高建筑工地的安全和健康。疾病控制和预防中心。https://blogs.cdc.gov/niosh-science-blog/2019/11/18/wearables-construction/．发表2019年11月18日。

15.霍华德J，穆拉绍夫V，考达E和斯奈德J。先进的传感器技术和未来的工作。疾病控制和预防中心。https://blogs.cdc.gov/niosh-science-blog/2021/10/21/sensors-fow/．发表2021年10月21日。

16.Theart RP, Loos B, Niesler TR.虚拟现实辅助显微镜数据可视化和共定位分析。BMC生物信息学2017;18日,64年。https://doi.org/10.1186/s12859-016-1446-2

17.戴维拉,摩根大通。“智能眼镜”如何支持测试实验室。https://www.unido.org/news/how-smart-glasses-can-support-testing-laboratories

18.泰勒K，朗特H，佩恩S。2025年生命科学监管预测的大胆未来．2018.2021年10月20日访问。https://www2.deloitte.com/content/dam/Deloitte/global/Documents/Life-Sciences-Health-Care/gx-life-sciences-regulation-predictions-2025.pdf