Das smarte Labor der Zukunft

Ein disruptiven Wandel

  • Andreas TraubeAndreas Traube
  • Andreas Traube
  • Marc Andre Daxer
  • Abb. 1: Darstellung von „Everything as a Service (EaaS)“ anhand des Beispiels einer Krebs-Diagnose. Ein Arzt greift mithilfe seiner Diagnose-App auf seinen Digitalen Schreibtisch zu, wo er durch Kombination seiner abonnierten Dienste verschiedene Diagnose-Prozesse definieren und anstoßen (1b) kann: Nach Einsenden der Zell-Probe (1a) wird der Labordienstleister diese aufbereiten und Sequenzieren (2). Die erzeugten Sequenzdaten kann das Labor anschließend bei einem Dienstleister für die sichere Datenhaltung speichern (4). Die dafür benötigten Zugangsdaten erhält der Labor-Service dabei über die Cloud-Plattform (3). Nach erfolgter Speicherung (5) übergibt der Datenhaltungs-Dienst Zugangsdaten für den aktuellen Datensatz an dem Bioinformatik-Dienst (6), damit dieser Zugriff erhält (7). In einem separaten Rechencluster werden die Daten aufbereitet und die Probe dahingehend klassifiziert, ob und welcher Krebs vorliegt (8). Die Ergebnisse werden beim Datenhaltungs-Dienst gespeichert (9) und ein Report-Dienst benachrichtigt (10). Zuletzt erhält der Arzt eine Benachrichtigung, dass die Analyse inkl. Behandlungsvorschläge vorliegt (11).
  • Abb. 2: Darstellung von „Everything as a Service (EaaS)“ anhand des Beispiels einer Studie. Ein Wissenschaftler plant mithilfe seiner Applikation die Studie zur Untersuchung auf Substanzverträglichkeit (1). Die registrierten Services werden dabei so verknüpft, dass das beauftragte Labor die Prozessbeschreibung für ein standardisiertes Experiment vom Prozess-Anbieter anfordern kann, welcher vom Wissenschaftler abonniert wurde. Die Ergebnisse werden anschließend dem Studien-Manager-Dienst des Kunden übergeben, wo sie vom Wissenschaftler ausgewertet werden können.
Marc Andre Daxer, Andreas Traube
 
Das klassische Labor gehört bald der Vergangenheit an. Der Experimentierort zur handwerklichen Gewinnung von empirischen Daten hat ausgedient. Die Auswertung großer Mengen digitaler Daten übernimmt auch hier, langsam aber unaufhaltbar, die Funktion Wissen zu generieren. 
 
Die Digitalisierung wird Labore verändern. Was im privaten Bereich längst von jedem genutzt wird, überträgt sich nun zunehmend auf die Arbeitswelt. Die Verteilung von Information in Form digitaler Datenflüsse zwischen Menschen und Objekten breitet sich aus wie eine Lawine. Verglichen mit den vorhandenen technischen Möglichkeiten, ist bislang in Laboren wenig davon umgesetzt. Dafür gibt es spezifische Gründe, die in der Charakteristik von Laboren liegen. Die Anfänge sind jedoch gemacht und werden Labore so revolutionär verändern wie kaum einen anderen Unternehmensbereich.
 
Zwischen Datenfabrik und Manufaktur
 
Ganz gleich um welche Art von Labor es sich handelt, Laboren ist gemein, dass sie physikalische Objekte (Materialien, Produkte, Proben etc.) in Informationen transformieren sollen. Diese Informationen dienen dem Gewinn neuen Wissens, der Erweiterung bestehenden Wissens, Produktentwicklungen und der Kontrolle, z. B. von Qualitätsparametern, oder medizinisch der Diagnostik. Labore aus der Molekularbiologie oder in der pharmazeutischen Entwicklung können insofern als Daten- oder Wissensfabriken betrachtet werden. Während sich jedoch in herkömmlichen Fabriken und Produktionen ganze Berufszweige mit Maßnahmen zur Effizienzsteigerung, zur Kostenreduktion sowie zur Qualitätsverbesserung beschäftigen, wurden entsprechende Optimierungen in Laboren bislang nur bedingt umgesetzt. Die Schwierigkeit: Methoden aus anderen Bereichen lassen sich nur eingeschränkt auf Labore anwenden und spezifische Anpassungen für den Laborbedarf sind bislang kaum vorhanden. 
 
Der Grund hierfür liegt in einer weiteren Charakteristik von Laboren: Sie funktionieren nicht nach klassischen Gesetzen von Produktionslinien mit Taktzeiten und Stückgut.

Während in einer industriellen Fertigung Qualitätsparameter mit dem Herstellungsprozess direkt übersetzt werden können, ist dies bei einem Laborprozess nicht möglich. Die Qualität eines Laborergebnisses lässt sich nicht auf eindeutig vorliegende Prozessparameter zurückführen, über die das Ergebnis gegebenenfalls korrigiert werden kann. Ein Indiz hierfür liefern wissenschaftliche Publikationen über sogenannte „Landmarks“ in der pharmazeutischen Forschung. Ein Großteil der dort beschriebenen Experimente lässt sich auf Basis der wissenschaftlichen Publikation nicht reproduzieren [1]. Die Daten und Informationen sind somit für die oben genannten Ziele eines Labors wertlos. Über die Qualität eines Prozesses entscheidet die Reproduzierbarkeit und diese kann nicht „ad hoc“ sichergestellt werden. Das Labor ist am ehesten vergleichbar mit kleinen handwerklich geprägten Werkstätten. Sie sind enorm flexibel und können eine große Anzahl unterschiedlichster Prozesse durchführen, ohne die Infrastruktur der Geräte hierfür verändern zu müssen. 

 
Flexibilität und Qualität durch Laborautomatisierung
 
Ein entscheidender Erfolgsfaktor für Labore ist daher die Dauer eines Wechsels von einem etablierten reproduzierbaren Prozess zu einem neuen. Dieser Punkt hat bislang die Nutzung von Automatisierung im Labor stark eingeschränkt. In manuell geprägten Arbeitsumfeldern lassen sich Anpassungen viel schneller etablieren, als auf einem Gerät, das erst aufwändig programmiert werden muss. Laborroboter wurden lediglich dort eingesetzt, wo langfristig gleichbleibende Prozesse in hohem Durchsatz durchzuführen sind. Es gibt heute jedoch etliche Nachweise, dass Laborautomatisierung nicht nur bei der Anforderung nach besonders hohem Durchsatz, sondern auch für eine gleichbleibende Qualität der Laborprozesse genutzt wird. Der Einsatz von Geräten erlaubt eine Standardisierung von Prozessschritten, die zu einem Gesamtprozess verkettet werden können. Bleiben die Eingangsparameter sowie die Ausführung der charakterisierenden Parameter der Einzelprozessschritte immer gleich, dann wird auch das Resultat des Gesamtprozesses immer dasselbe sein.
 
Personalisierte Massenfertigung im Labor
 
Neben dem schnellen Wechsel von einem Prozess zu einem neuen, verlangt ein weiterer Aspekt für die Automatisierung Beachtung. Eine Gerätelösung muss in einem Labor Gerätehardware, Gerätesoftware und den etablierten Gesamtprozess berücksichtigen. Da sich Prozesse von Labor zu Labor sehr stark unterscheiden, bedeutet das, vollständige Lösungen individuell auf jedes einzelne Labor anzupassen. Der Sache nach handelt es sich also um personalisierte Lösungen. Die Etablierung des Prozesses, die Validierung der Prozessqualität sowie die laborspezifische Einrichtung eines Laborautomaten gehören meistens zur Aufgabe des Endnutzers. Um Geräte einem breiten Markt anbieten zu können, sind viele Geräte technisch multifunktional ausgerüstet. Der Einsatz dieser Geräte funktioniert im Laboralltag hervorragend, solange in den Prozessen nur Geräte eines Herstellers verwendet werden, oder ein Hersteller in der Lage ist, andere Geräte zu integrieren. Diese Lösungen sind jedoch meistens monolithisch aufgebaut und historisch gewachsen, weshalb sie nur eine sehr eingeschränkte Flexibilität erlauben. Des Weiteren sind die einzelnen Komponenten der Software nicht unabhängig voneinander funktionsfähig, sodass sich einzelne Funktionen selten aus dem Gesamtsystem herauslösen lassen, geschweige denn, dass eine Interaktion mit der Umgebung im Labor möglich wird.
 
Informationsverarbeitung und Interaktion
 
Die Digitalisierung wird nun auf verschiedenen Ebenen erfolgen. Der Schlüssel eines smarten Labors ist, dass sowohl das Labor als Ganzes smart funktioniert als auch jedes Objekt innerhalb des Labors sowie die Verknüpfung zwischen den Objekten. Ein smartes Objekt ist per definitionem in der Lage, Informationen zu erfassen, zu verarbeiten und auf dieser Basis mit der Umgebung zu interagieren. Die wesentliche Erweiterung zur Grundbestimmung eines Labors liegt also lediglich in der Informationsverarbeitung und der Interaktion. 
 
Ohne digitale Abbilder von Proben, Produkten, Geräten und Prozessen kann eine personalisierte Massenfertigung im Labor nicht erreicht werden. Geeignete digitale Beschreibungsformen müssen für diese Entitäten geschaffen werden, die zukünftige Erweiterungen bereits einplanen und dadurch die Kompatibilität von älteren und neueren Beschreibungen sicherstellt. Bereits heute bestehen Lösungsansätze, durch die Laborprozesse maschinenlesbar beschrieben werden können. Dafür werden die Prozesse in einer Art Programmiersprache gespeichert. Diese kann in einer Sprache wiedergegeben werden, die auch Menschen ohne Programmierkenntnisse verstehen, wie zum Beispiel EXACT [2], EXACT2 und Biocoder [3]. Diese sind jedoch auf ihr eigenes Spezialgebiet beschränkt. Die größte Herausforderung liegt noch darin, die vorhandenen Ansätze dahingehend zu erweitern, dass sie domänenübergreifend funktionieren und von jedem Laborgerät verstanden werden können. Ist diese Voraussetzung geschaffen, wird es darum gehen, alle Komponenten einfach und ohne menschliches Zutun miteinander zu vernetzen. Im smarten Labor arbeiten in Zukunft die einzelnen intelligenten Komponenten eigenständig und föderal zusammen. Sein Produktionssystem besteht aus einer Sammlung von Funktionsbausteinen, die sich jederzeit neu organisieren, wenn neue Aufträge dies erfordern.
 
Smarte Objekte bilden eine Einheit aus einer spezifischen Funktion mit informationstechnischer Verarbeitung und Interaktionsmöglichkeit mit der Umgebung. Sie sind die kleinste funktionale Einheit in einem Arbeitsprozess. Sie müssen dabei nicht komplex sein. Die Komplexität entsteht erst aus dem Zusammenspiel bzw. der Verkettung und Interaktion zwischen mehreren Objekten. Ein Beispiel für ein solches Objekt ist eine Laborwaage, die selbstständig ihre Ergebnisse in eine Datenbank überträgt und bei Messabweichungen entsprechende Signale aussendet. Jedes heute bekannte Gerät kann in Zukunft smart werden - auch sukzessive. Entscheidend hierfür sind standardisierte Datenformate, die den Austausch von Daten erlauben. Diese Standards entstehen derzeit oder sind sogar schon definiert. Beispiele hierfür sind SiLA [4], ADF [5] oder AnimL [6]. Als nächster Meilenstein steht am Fraunhofer IPA die Entwicklung eines universellen Betriebssystems für Laborgeräte mit offenen Programmierschnittstellen an: Anbieter von Software können damit die Funktionalität von langlebigen Basisgeräten mit „Apps“ erweitern, wodurch diese Geräte wertvoller werden. Beispielsweise können dann mit wenig Aufwand künftige Schnittstellen nachimplementiert werden, sofern ein Labor sein Portfolio erweitert. Durch diesen Mehrgewinn werden Laborgeräte zu zukunftssicheren Investitionen. Bisher hemmten sie Innovationen eher. Jetzt können klassische Geschäftsmodelle modernisiert aufleben: Support, Reparaturdienstleistungen und Software-Vertrieb. Hersteller mit geschlossenen Ökosystemen werden umdenken müssen, sobald die Kunden die Vorteile offener Plattformen kennen lernen und diese einfordern.
 
In einer smarten Laborwelt nehmen Menschen stärker die Rolle einer intelligenten Regelinstanz ein. Der Mensch trifft intuitiv und intelligent Entscheidungen. Bis zu diesem Punkt ist ein smartes Labor mit einer smarten Produktion vergleichbar. Die Vorteile liegen in der erhöhten Verfügbarkeit von Infrastruktur, der Nachverfolgbarkeit von Prozessen sowie in der verbesserten Konfigurierbarkeit und der Flexibilität, die sich aus der Modularität ergibt. 
 
Ein disruptiver Wandel
 
Durch die Transformation zu einem smarten Labor, durch die Fülle an vergleichbar vorliegenden Daten, durch die Reduktion von Komplexität mit den smarten Funktionsträgern, wird die Qualität eines Labors messbar. Das gab es bisher nicht. Jetzt können Laborprozesse auf Basis der Resultate optimiert werden und tun dies laufend. Labore werden vergleichbar. Sind Prozess und Produkt erst einmal verbunden und ist die Selbstorganisation von Laboren erreicht, ist es zum selbstlernenden und selbstoptimierenden Laborsystem nicht mehr weit. Mit Hilfe von künstlicher Intelligenz und Technologien aus Expertensystemen könnten Labore, neue Prozesse automatisch und beim ersten Versuch korrekt umsetzen, sofern die einzelnen Prozessschritte jeweils in bereits bekannten Prozessen definiert sind. Dies gehört zu den größten Herausforderungen in der personalisierten Medizin, da oft nur Material für einen Versuch zur Verfügung steht. In solchen Fällen überprüfen Menschen den automatisch generierten Prozess und lassen ihn gegebenenfalls anpassen. Die Verbindung von menschlicher und künstlicher Intelligenz wird bei der Nutzung des weltweiten Informations- und Erfahrungsschatzes also eine große Rolle spielen.
 
Die Transformation von physikalischen Objekten in Information als die Grundbestimmung eines Labors, wird sich durch die Digitalisierung exponentiell beschleunigen. Daraus entstehen beispielsweise in der personalisierten Medizin heute kaum vorstellbare Möglichkeiten. Die bisher geltenden Einschränkungen für den Einsatz von Automaten im Labor werden auf Basis von serviceorientierten Funktionsmodulen zurückgehen. Neue Geschäftsmodelle im Sinne von Servicelaboren entstehen. Die Nachfrage für Labordienstleistungen wird steigen. Diesen Bedarf können einfache webbasierte Kooperationsmodelle decken. 
 
Neue Geschäftsmodelle
 
Möglich werden solche Modelle durch föderative Cloud-Plattformen. Föderativ heißt hier, dass sich mehrere KMUs zusammenschließen, um eine sichere und mächtige Plattform zu betreiben. Die Plattform, „Virtual Fort Knox“, ermöglicht es, Produktionsprozesse in sicheren Rechenzentren zu formulieren, auszuführen und zu überwachen. Herausragend ist vor allem der Aspekt, dass die eigenen Daten sicher im privaten Bereich optional firmeneigenen Rechner gespeichert sind. Gleichzeitig lassen sich Dienstleistungen von weiteren Anbietern nahtlos in den eigenen Prozess integrieren. Beispielsweise wird eine allumfassende Forschungsdienstleistung durch die Kombination mehrerer Dienstanbieter buchbar. Kunden können auf dem föderativen Marktplatz in Form eines Online-Shops „einkaufen gehen“. So kann das zuverlässige Dienstleister-Labor mit der Durchführung von Analysen beauftragt werden, während die Reagenzien-Kits mitsamt Prozess beim Spezialisten für Gen-Marker gekauft wurden. Die Prozessbeschreibung wird dabei digital bereitgestellt und ein Institut für Klinische Studien mit der statistischen Auswertung der Ergebnisse beauftragt. Die Daten werden dafür bei einem vierten Dienstleister gespeichert, der sich darauf spezialisiert, Daten sicher und zuverlässig zu speichern. Wie dieses Beispiel zeigt, bietet die Digitalisierung eine grenzenlose Zahl neuer Geschäftsmodelle, die die Forschung revolutionieren werden. Weitere noch nicht umgesetzte aber mögliche Services wären eine Evaluationsdienstleistung, die Kunden-Prozesse auf Norm-Konformität überprüft und eine Prozess-Datenbank, die beispielsweise Kit-Herstellern die Definitionen zur Durchführung der Analyse-Prozesse, passend zu ihrem Reagenzien-Kits, zur Verfügung stellen. Vielleicht kann der Wissenschaftler dann ein spezifisches Experiment bei einem Servicedienstleister, einem Cloud-Labor, wie bei Amazon „bestellen“ und erhält sehr schnell das erwünschte Resultat. Der Forscher der Zukunft sitzt nicht mehr im Labor. Eine Vision, deren Tragweite die reine Laborroutine weit übersteigt.
 
Zusammenfassung
 
Die Grundbestimmung von Laboren, physikalische Objekte zu Informationen zu transformieren, um Erkenntnisse zu gewinnen, wird durch die Digitalisierung im Wesentlichen um die Dimension der Informationsverarbeitung und Interaktion erweitert. Informationen können erfasst, verarbeitet und mit der Umgebung interaktiv ausgetauscht werden. Das Labor als Ganzes wird smart. Die exponentielle Beschleunigung der Transformation von physikalischen Objekten in Informationen führt dabei zu einem disruptiven Wandel, etwa in der personalisierten Medizin oder in Form völlig neuer Geschäftsmodelle.
 
Kontakt
Dr. Andreas Traube
Fraunhofer-Institut für Produktionstechnik 
und Automatisierung IPA
Stuttgart
 
Lebenslauf:
Andreas Traube
leitet seit 5 Jahren die Abteilung Laborautomatisierung und Bioproduktionstechnik am Fraunhofer IPA. Nach seinem Maschinenbaustudium an der Universität Stuttgart mit Schwerpunkt Produktionstechnik stieg er 2005 als wissenschaftlicher Mitarbeiter am Fraunhofer IPA ein. Von Beginn an beschäftigte er sich mit der Verbindung von biologischen Prozessen mit Automatisierungstechnik, um diese effizienter und reproduzierbarer zu machen. Sein Forschungsschwerpunkt lag in der Umsetzung hochkomplexer biotechnologischer Arbeitsprozesse in flexiblen automatisierten Anlagen.
 
Lebenslauf:
Marc Andre Daxer
absolvierte sein Informatikstudium an der Heinrich-Heine-Universität Düsseldorf. Seit 2015 ist er wissenschaftlicher Mitarbeiter am Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA. Neben Softwareentwicklung für die Laborautomatisierung beschäftigt er sich mit Verteilten Systemen und der Digitalisierung von Laboren. Dabei sind ihm Fragestellungen wichtig, die auf die Verbesserung der Reproduzierbarkeit und Qualität von Experimenten im Labor abzielen. Diese Fragen beleuchtet er dabei mit Ansätzen, die auf serviceorientierter Architektur und Cloud-Computing aufbauen.
 
Das Projekt Zukunftslabor mit dem IPA
Weitere Beiträge zum Thema: http://www.git-labor.de/search/gitsearch/Laborautomation%20type:topstories
 
Referenzen: 
[1] M. Baker, „Biotech giant publishes failures to confirm high-profile science,“ Nature News, Nr. 530, p. 141, 11 2 2016.

[2] L. N. Soldatova, W. Aubrey, R. D. King und A. Clare, „The EXACT description of biomedical protocols.,“ Bioinformatics, p. 303, 2008. doi:10.1093/bioinformatics/btn156

[3] V. Ananthanarayanan und W. Thies, „Biocoder: A programming language for standardizing and automating biology protocols.,“ Journal of biological engineering, p. 13, 2010. DOI:10.1186/1754-1611-4-13

[4] Association Consortium Standardization in Lab Automation (SiLA), „SiLA Rapid Integration,“ [Online]. Available: http://www.sila-standard.org/.

[5] Allotrope Foundation, „Allotrope Foundation,“ [Online]. Available: http://www.allotrope.org/.

[6] AnIML Working Group, „AnIML Central,“ [Online]. Available: https://www.animl.org/.

Kontaktieren

microsite Zukunftslabor


Jetzt registrieren!

Die neusten Informationen direkt per Newsletter.

To prevent automated spam submissions leave this field empty.