استفاده از فناوری دیجیتال و هوش مصنوعی در مدیریت ترکیب

مدیریت نمونه به عنوان یک رشته اصیل و جدی شناخته شد زیرا سازمان ها متوجه شدند که کتابخانه های ترکیبی آنها بسیار ارزشمند است.

بیست سال پیش، علم مدیریت مرکب در مراحل ابتدایی خود بود. در ابتدا، مدیریت نمونه اغلب به معنای نگهداری نمونه ها در لوله های بدون برچسب در یک فریزر در کمد یا حتی در پارکینگ بود! تنها برچسب نوشتن روی قفسه یا روی کیف بود. در موارد نادر، ممکن است یک بارکد 1 بعدی در کنار قفسه وجود داشته باشد. پایگاه های داده فقط فایل های Word یا Excel بودند و هیچ مفهومی برای ردیابی پیچیده برای ترکیبات شیمیایی وجود نداشت.

وضعیت در 20 سال گذشته، از این شروع ابتدایی، کاملاً تغییر کرده است. مدیریت نمونه به عنوان یک رشته اصیل و جدی شناخته شد زیرا سازمان ها متوجه شدند که کتابخانه های ترکیبی آنها بسیار ارزشمند است.

شناسایی نمونه

معرفی لوله های بارکد دوبعدی روش کار قبلی را تغییر داد، اما در ابتدا استفاده از تجهیزات آسان نبود. تنها در 15 سال گذشته بود که فروشندگان شروع به ساختن نمونه ابزارهای خواندن بارکد ردیابی کردند که بصری و آسان برای استفاده بود. اینها حداقل به چالش اصلی در مدیریت ترکیب پرداختند – اینکه تشخیص اشتباه یک لوله بسیار آسان است.

ارسال ترکیب اشتباه به تیم غربالگری امری عادی شده بود. اگر قفسه ای از لوله ها روی زمین بیفتد، به راحتی شناسه هر نمونه از بین می رفت. این مدت‌ها پیش به‌عنوان یکی از مکان‌های اصلی که در آن اشتباهات رخ می‌دهد، شناسایی شده بود.

نگهداری ترکیبات در فریزرهای کاربردی که ممکن است تغییرات دما را تجربه کنند، و بدون ردیابی پیچیده داخلی نیز به عنوان آسیب بالقوه برای نمونه ها دیده می شود. علاوه بر این، بدون سیستم‌های ردیابی داده‌های خوب، ترکیبات می‌توانند یک بار در سیستم گم شوند، زیرا ردیابی نمی‌تواند با تعداد ترکیبات مورد استفاده هماهنگ باشد.

ردیابی نمونه

تفاوتی که فناوری در مدیریت ترکیب داشته است و مزایایی که از نظر کارایی و صرفه جویی در منابع برای آزمایشگاه به ارمغان آورده است بسیار زیاد است.

امروزه نمونه‌ها در لوله‌های بارکد دوبعدی، از تولیدکنندگان مختلف، در فریزرهای بزرگ یا مخازن نیتروژن مایع ذخیره می‌شوند. با این حال، این امکانات ذخیره سازی معمولاً جایی بدون آزمایشگاه خوب و عایق با اینترنت و Wi-Fi هستند. این منجر به مشکلاتی حتی در مورد سیستم های پایگاه داده در مقیاس سازمانی، لوله ها و قفسه های بارکد شده و سیستم هایی برای ردیابی آنها می شود.

این مشکلات به این معنی است که دانشمندان هنوز باید روی کاغذ بنویسند که نمونه در کدام مخزن، قفسه، قفسه یا فریزر است. آنها ممکن است آن کاغذ را بردارند، لوله را بیرون بکشند، آن را علامت بزنند، و آن را به آزمایشگاه برگردانند تا بررسی کنند که آیا آنها را بررسی می کند. حق را داشته باشد

کاری که دانشمندان واقعاً می‌خواهند انجام دهند این است که شناسه ترکیب را در نقطه بازیابی بررسی کنند. نیل بن، مدیر عامل Ziath می گوید، اما اتاق هایی با یخچال و مخازن نیتروژن مایع مکان مناسبی برای یک لپ تاپ بزرگ نیستند.

بن می گوید فناوری دیجیتال جدید زنجیر دانشمند را از نیمکت باز می کند.

اتخاذ کنترل موبایل

اکنون می توانید در آزمایشگاه باشید، اطلاعات دستگاه تلفن همراه خود را دریافت کنید و با آن برنامه به محل ذخیره سازی بروید و در واقع لوله های آنجا را پردازش کنید و بررسی کنید که لوله های مناسب را دارید. این کار قلم و کاغذ و خطاهای ایجاد شده را از بین می برد.

شکل : نرم افزار فعال وب برای ساده کردن گردش کار مدیریت نمونه شما

من می بینم که دستگاه ها و برنامه های تلفن همراه با مزایای کلیدی خود به غلبه بر این چالش ها کمک می کنند. یک کنترل از راه دور برای فرآیند مدیریت نمونه خود که می توانید با خود حمل کنید به شما این امکان را می دهد که یک لوله را بردارید، آن را اسکن کنید و مرحله بعدی فرآیندی که باید برای آن لوله اتفاق بیفتد را بخوانید. این به دانشمندان این امکان را می‌دهد که نمونه‌ها را در حین ورود به آزمایشگاه ردیابی کنند، آنها را رزرو کنند و به عنوان “در محل کار من” علامت‌گذاری کنند. این برنامه به آن‌ها اجازه می‌دهد تا ترکیبی را بیرون بکشند، آن را اسکن کنند و در صورت نیاز ثبت کنند.» . »

به نظر می رسد که Drug Discovery باید در سازگاری دستگاه های تلفن همراه برای کنترل فرآیند از ابتدا تا انتها، به بقیه دنیای تجارت برسد.

در حال حاضر دستگاه‌های دستی در بازار وجود دارد که به دانشمندان اجازه می‌دهد لوله‌های فردی را که می‌توانند با سیستم‌های شخص ثالث تعامل داشته باشند، اسکن کنند. پیشرفت‌های آینده شامل دستگاه‌های باتری‌دار هستند که از بلوتوث پشتیبانی می‌کنند تا به جای آوردن نمونه‌ها به اسکنر بارکد، یک اسکنر بارکد به نمونه‌ها منتقل شود. نسل بعدی مطمئناً دستگاه های قابل حمل، باتری، بلوتوث، وای فای خواهند بود که یک قفسه کامل از لوله ها را به طور همزمان می خوانند.

مدیریت ترکیب آینده به طور کامل مفهوم فن آوری های تلفن همراه را با خواننده های قابل حمل که از صفحه وب یا تلفن کنترل می شود، در بر می گیرد. این امر جاه‌طلبی باز کردن کل فرآیند ردیابی نمونه از روی نیمکت و رساندن آن به نقطه ذخیره‌سازی را محقق خواهد کرد. مخازن و فریزرهای LN2 این در تئوری می تواند به حذف خطاها و محافظت از ارزش کتابخانه های ترکیبی کمک کند.

استقرار هوش مصنوعی و ML

شکل : شبکه‌های عصبی مورد استفاده در سیستم‌های هوش مصنوعی مجموعه‌ای از عملیات منطقی ریاضی را در یک توالی خاص ترکیب می‌کنند تا به نتیجه دلخواه برسند.

هوش مصنوعی (AI) نیز به طور فزاینده ای در مدیریت ترکیبی اعمال می شود.

با استفاده از هوش مصنوعی می توان فرآیند سفارش ترکیبات و مونتاژ نمونه های درخواستی برای تحویل را بهینه کرد. این می تواند به معنای یک الگوریتم مبتنی بر هوش مصنوعی باشد که رباتیک قابل توجهی را در فروشگاه های بزرگ ترکیب می کند یا صرفاً یک لیست انتخاب دستی تولید می کند که ترکیبات را به کارآمدترین و بهینه ترین ترتیب بازیابی می کند.

در پیشرفت‌های دیگر، هوش مصنوعی برای مشکل شناسایی نمونه‌های منفرد در قفسه‌های منجمد لوله‌ها استفاده می‌شود – یک مشکل همیشگی برای فناوری‌های نوری امروزی، اما یک مشکل تصویربرداری که به‌طور ایده‌آل با آنچه هوش مصنوعی می‌تواند انجام دهد، مناسب است.

بنن نظر داد؛ ما قبلاً هوش مصنوعی را به کار گرفته‌ایم تا مشخص کنیم کدام موقعیت‌ها در یک رک نمونه حاوی لوله‌های واقعی و آن‌هایی هستند که خالی هستند. این ساده به نظر می رسد، اما در واقعیت، انجام آن در یک فایل تصویری کاملاً پیچیده است. برنامه هوش مصنوعی ما می تواند اینها را به راحتی متمایز کند. مرحله بعدی استفاده از هوش مصنوعی پیشرفته‌تر برای رمزگشایی بارکدهای دوبعدی است که ممکن است با یخ پوشانده شده باشند، آسیب دیده باشند یا فقط بد چاپ شوند و این کار را بسیار سریعتر از آنچه در حال حاضر ممکن است انجام دهید. انجام دهیم .

بنن مطمئن است که تیمش محصولی را در این زمینه در سال 2022 عرضه خواهد کرد. کاربردهای بیشتر هوش مصنوعی توسط سایر تولیدکنندگان در این زمینه برای ساده کردن فرآیند شناسایی و انتخاب ترکیبات از کتابخانه های بزرگ در حال توسعه است.

به طور خلاصه، علم مدیریت مرکب در بیست سال گذشته پیشرفت کرده است. بدون شک استقرار هوش مصنوعی و یادگیری ماشینی آن را در دهه آینده بازتعریف بیشتری خواهد کرد.

نویسنده: استیو نایت مدیر تجاری Ziath، ziath.com است