Benchling Automation : Une Révolution dans l’Intégration des Données Scientifiques
Benchling Automation a pour objectif d’automatiser l’exécution des expériences scientifiques et le retour des données vers le dossier scientifique. Cette continuité vise à fournir aux modèles d’intelligence artificielle (IA) des résultats directement liés aux échantillons et aux expériences qui les ont générés.
Les modèles d’IA appliqués aux sciences de la vie reposent sur la qualité des données et la capacité des laboratoires à les produire rapidement. Cependant, une partie du processus reste encore fragmentée entre la conception expérimentale, les instruments, les analyses et les dossiers scientifiques.
Benchling Automation veut réunir ces étapes dans une boucle continue
Lorsqu’un scientifique conçoit une expérience, la plateforme est capable d’orchestrer son exécution sur une cellule automatisée ou un instrument. Les données brutes ainsi que les résultats d’analyse sont ensuite automatiquement transférés vers l’entrée correspondante du cahier de laboratoire électronique.
Conserver le lien entre résultat et expérience
Les analyses peuvent être réalisées automatiquement, et leurs résultats sont enregistrés dans le dossier scientifique, tout en étant reliés aux échantillons ayant servi à l’expérience. Cette traçabilité est essentielle pour les usages de l’IA, car un résultat ne doit pas être considéré comme une donnée isolée, mais doit rester associé au contexte expérimental qui a permis de le produire. Les scientifiques ont également la possibilité d’écrire directement en Python dans Benchling pour effectuer des transformations et analyses personnalisées, intégrant graphiques, ajustements de courbes et résultats statistiques au dossier correspondant.
Préparer des workflows scientifiques plus autonomes
Benchling Automation s’inscrit dans un écosystème plus large de capacités d’IA sur la plateforme. Benchling Inference offre des ressources GPU adaptées aux pics de charge et permet des intégrations avec des modèles scientifiques, tandis que Model Hub facilite l’insertion de modèles prédictifs dans les workflows. Benchling AI est également capable de rechercher dans les données, produire des rapports et gérer des recherches scientifiques complexes.
L’enjeu consiste à rapprocher progressivement la génération de données expérimentales de leur exploitation par les modèles. Plus la boucle entre instruments, analyses et dossiers scientifiques est automatisée, moins les équipes ont besoin d’effectuer des transferts manuels avant de pouvoir réutiliser les résultats dans leurs workflows d’IA.
Source : Benchling
