De digitale transformatie die door big data wordt gestimuleerd, geeft een nieuwe vorm aan allerlei sectoren. De life sciences-sector vormt hierop geen uitzondering.
In het verleden kon het verscheidene jaren en miljarden dollars kosten om één menselijk genoom te sequencen. Vandaag kan dezelfde taak worden uitgevoerd in minder dan 24 uur en voor minder dan $ 1.000.
Ook de laboratoriumtechnologieën die voor het werk op deze gebieden van vitaal belang zijn, hebben zich in snel tempo ontwikkeld. Zo hebben de nieuwste instrumenten in het life sciences-onderzoek wetenschappers in staat gesteld complexe driedimensionale visualisaties van eiwitmoleculen te maken. Wetenschappers gebruiken deze visualisaties als hulpmiddel bij de ontdekking van geneesmiddelen en als wegbereider voor doorbraken op het gebied van gepersonaliseerde geneeskunde.
De belangrijkste drijvende kracht achter deze baanbrekende ontwikkelingen is big data. Het volume en de complexiteit van de data blijven met duizelingwekkende snelheid toenemen, vooral op gebieden zoals genomica, bio-informatica, voorspellende biologie en chemie.
Laboratoriuminstrumenten produceren ook aanzienlijke hoeveelheden data - soms wel een terabyte per uur.
Grotere data gaan natuurlijk gepaard met een grotere behoefte aan dataopslag. De IT-infrastructuur achter life science-databases zal moeten evolueren met de toenemende schaal en dimensionaliteit van data.
Aangezien wetenschappers te maken hebben met een zee aan informatie, hebben zij ook moderne software nodig om big data snel te kunnen visualiseren en er interactief mee om te gaan. Anders zullen organisaties in de life sciences rijk zijn aan data maar arm aan informatie.
Bredere voordelen van big data in de life sciences-industrie
Zolang organisaties in de life sciences hun IT-infrastructuur blijven upgraden om big data beter te integreren in hun kernprocessen, zullen daar ongelooflijke voordelen uit voortkomen, waaronder:
- Verbeterde risicobeoordeling: Big data kunnen wetenschappers helpen inzichten te verwerven die potentiële gevaren voor de gezondheid aan het licht brengen, de mate van risico die ermee gepaard gaat evalueren en hen helpen conclusies te trekken om het probleem op te lossen.
- Gepersonaliseerde geneeskunde: Naarmate wetenschappers en artsen in staat zijn elektronische persoonlijke gezondheidsinformatie doeltreffender te verwerken en te begrijpen, zullen zij in staat zijn nauwkeuriger te beoordelen welk soort geneesmiddel elke patiënt nodig heeft.
- Doeltreffendere beoordelingen in klinische proeven: Momenteel wordt in de meeste geneeskunde het "standard of care"-model gebruikt, waarbij algemene groepsreacties en klinische proeven worden gebruikt om de zorgverlening te beïnvloeden. Maar wanneer big data effectief worden ingezet, kunnen nauwkeuriger beoordelingen worden gemaakt van de manier waarop het geneesmiddel specifieke soorten patiënten beïnvloedt, met inbegrip van bijwerkingen die anders misschien onopgemerkt blijven. Dit kan onder meer bijdragen tot voortdurende doorbraken bij het ontdekken van geneesmiddelen.
Mogelijke doorbraken voor knelpunten in legacy-IT-infrastructuur
Hoewel de voordelen van big data voor de life sciences veelbelovend klinken, zullen organisaties een IT-infrastructuur en dataopslagcapaciteit nodig hebben die gelijke tred kunnen houden met de toenemende vraag.
Volgens een Deloitte/MIT-studie uit 2019 wordt slechts 20% van de biofarma- en life sciences-organisaties snel genoeg digitaal volwassen. Helaas vormen legacy-opslagsystemen een knelpunt voor de prestaties en verhinderen ze dat toepassingen de data ontvangen die wetenschappers nodig hebben om meer doorbraken te realiseren.
Nieuwe life science-instrumenten en -technologieën zijn in opkomst. Zij hebben het potentieel om nieuwe onderzoeksmogelijkheden te creëren die tot grotere inzichten zullen leiden. Maar organisaties zullen eerst een aantal IT-uitdagingen moeten aangaan om van deze innovaties te kunnen profiteren.
Uitdaging #1: Datasilo’s
Veel organisaties worstelen met het doorbreken van datasilo's. Silo's maken het voor onderzoekers van verschillende afdelingen tijdrovend en moeilijk om toegang te krijgen tot de data waar hun werk van afhangt. Silo's ontstaan gedeeltelijk doordat data worden opgeslagen in verschillende instrumenten en softwareoplossingen in plaats van in een gecentraliseerde life sciences-database.
Om de barrières die de scheiding van data opwerpt te doorbreken, zullen organisaties een manier moeten vinden om de overgang van datasystemen naar een gebruiksvriendelijk software-instrument soepel te laten verlopen.
Uitdaging #2: Schaal
Zoals eerder gezegd, produceren de nieuwste wetenschappelijke technologieën een aanzienlijke hoeveelheid data. Life sciences-organisaties zullen hun opslagcapaciteit moeten opschalen om deze toevloed van informatie te kunnen verwerken.
Als de juiste schaal niet op tijd wordt bereikt, zullen de workflows die afhankelijk zijn van de door deze instrumenten verzamelde data worden verstoord.
Uitdaging #3: Big data analytics
Big data zijn slechts zo nuttig als de inzichten die je eruit kunt halen. Of u nu een pijplijn voor big data-analyse uitvoert om gepersonaliseerde geneeskunde aan te sturen of AI inzet om te helpen bij de ontdekking van geneesmiddelen, HPC (high-performance computing) vereist krachtige dataopslag. De overstap van draaiende schijven naar low-latency en high IOPS all-flash-opslagarrays is nu een noodzaak geworden.
