Les flux de travail de thérapie cellulaire et de développement analytique impliquent des données complexes qui doivent être traitées et visualisées pour fournir des informations pertinentes. Chez Takeda Pharmaceuticals US Inc., notre équipe vise à développer une solution rationalisée et automatisée permettant aux utilisateurs de laboratoire de visualiser et d'analyser efficacement les données de thérapie cellulaire. En automatisant la génération de tableaux de données traitées et de tableaux de bord dynamiques, notre système présente des indicateurs clés (tels que la récupération, le facteur d'expansion et les paramètres de culture cellulaire) dans un format intuitif. Cette solution permet aux chercheurs en thérapie cellulaire et en développement analytique d'évaluer rapidement les progrès expérimentaux et de prendre des décisions fondées sur les données, accélérant ainsi la recherche et le développement de produits dans ce domaine.
Bonjour à tous. Je m'appelle Maria Reyna Fernandez. Je suis chercheuse en thérapie cellulaire chez Takeda. Je suis ravie d'être présente au Discovery Summit pour vous présenter comment nous avons construit un écosystème de données automatisé grâce à JMP Live pour accélérer le développement des thérapies cellulaires.
Dans l'ensemble du secteur pharmaceutique, nous constatons un besoin urgent de digitalisation, d'automatisation, d'intégration des données et de prise de décision en temps réel. Aujourd'hui, je vous présente comment notre équipe a appliqué ces principes à la thérapie cellulaire, en créant un écosystème JMP Live qui transforme les données brutes en informations exploitables et accélère ainsi le parcours du laboratoire au patient.
Avant d'entrer dans le vif du sujet, quelques précisions. Je suis employé de Takeda et je possède des actions de l'entreprise. Les opinions que je partage aujourd'hui sont les miennes et peuvent ne pas refléter celles de Takeda. Je tiens également à préciser que je n'ai aucun lien avec les fournisseurs des technologies que je vais décrire aujourd'hui.
Cela dit, mon point de vue est fortement ancré dans ma double expérience d'utilisateur et de développeur de ces workflows. Je partagerai certains des défis auxquels nous avons été confrontés et sur lesquels nous avons travaillé, ainsi que les enseignements que nous avons tirés.
Nos flux de travail de thérapie cellulaire génèrent des ensembles de données complexes. Traditionnellement, ces données étaient traitées manuellement, ce qui ralentissait l'analyse et augmentait le risque d'erreur. L'objectif de ce projet était simple mais ambitieux : automatiser l'ensemble du processus, de l'ingestion des données brutes à leur visualisation. En intégrant des bases de données relationnelles à JMP Desktop et JMP Live, nous avons créé un système offrant des vues de données claires, validées et interactives, permettant aux scientifiques de prendre des décisions plus rapidement et avec plus de confiance. Cette présentation vise à vous montrer le parcours, la complexité des données manuelles, puis l'univers rationalisé et collaboratif que nous construisons avec JMP.
Voici la feuille de route de la conférence d'aujourd'hui. Je vous présente les défis des flux de travail manuels, le pipeline de données automatisé, la façon dont nous avons calculé et visualisé les métriques par schéma, ainsi que notre approche du contrôle qualité, l'impact de nos équipes et les perspectives d'avenir.
Les équipes de thérapie cellulaire et de développement analytique génèrent d'énormes volumes de données. Chaque expérience peut impliquer plusieurs appareils, plusieurs points temporels et plusieurs scientifiques. Historiquement, Excel était notre outil de travail, mais il n'était pas conçu pour une telle complexité. C'est un outil formidable pour de nombreuses tâches, mais lorsqu'il s'agit de gérer des expériences sur plusieurs mois avec des milliers de points de données et plusieurs équipes, Excel devient fragile.
Ce dont nous avions réellement besoin, c'était d'un système automatisé, pour éviter aux scientifiques des tâches répétitives. Traçable, pour que chaque donnée puisse être reliée à sa source. Collaboratif, pour que les équipes de toute l'organisation puissent voir et utiliser la même version des faits. C'est là que JMP Live, associé à la base de données, est devenu notre solution.
Concernant les défis actuels, permettez-moi de m'arrêter un instant pour brosser un tableau de la vie avant le système. Imaginez un scientifique menant une expérience. Il reçoit des données provenant de plusieurs appareils. Au final, toutes ces informations sont stockées à différents endroits et sous différents formats. Que se passe-t-il ensuite ? Il ouvre Excel, copie et colle, convertit parfois des unités, renomme des colonnes et recalcule manuellement le facteur de dilatation. Cela peut prendre des heures, voire des jours, pour arriver au point où il peut enfin commencer à réfléchir à la science.
Il faut maintenant ajouter le facteur humain. Les scientifiques créent souvent leurs propres macros et formules Excel. Deux personnes travaillant sur la même expérience peuvent utiliser une logique légèrement différente ou mettre à jour des versions différentes du même fichier. Il arrive également que trois versions finales différentes d'un fichier Excel circulent par courriel. Laquelle était la vérité ? Cette incertitude est très stressante et risquée dans les expériences de thérapie cellulaire.
Voici le problème principal. La thérapie cellulaire est un domaine qui évolue rapidement, et les patients attendent. Chaque retard d'analyse ralentit le développement de thérapies qui pourraient réellement faire la différence. Ce phénomène n'est pas propre à Takeda. Dans l'industrie pharmaceutique, les entreprises réalisent que les flux de travail manuels basés sur Excel constituent un goulot d'étranglement.
L'industrie pharmaceutique a connu une transformation numérique, délaissant les fichiers locaux sur les ordinateurs des utilisateurs. Des systèmes automatisés intégrés garantissaient des données propres, standardisées et partageables. À bien des égards, notre projet ne visait pas seulement à résoudre un problème local, mais plutôt à s'inscrire dans la vague plus large de digitalisation du secteur pharmaceutique. Exploiter l'automatisation pour réduire les erreurs humaines, créer des systèmes évolutifs entre les équipes et, surtout, créer une culture où les scientifiques peuvent se fier aux données qu'ils consultent et se concentrer sur la science plutôt que sur des fichiers Excel.
On peut comparer cela à l'ancienne approche : construire un pont à la main avec des outils inadaptés. La nouvelle approche est comparable à une usine parfaitement organisée où chaque pièce arrive prête à être assemblée. Chaque étape est suivie. C'est le bond en avant que nous avons franchi avec cette numérisation. Je vais vous montrer comment nous y sommes parvenus avec notre système expérimental de collecte de données et le travail que nous avons réalisé avec la connexion des appareils.
Pour y parvenir, nous avons mis au point un système complet de collecte de données expérimentales. Ce système permet aux scientifiques de concevoir des expériences et d'enregistrer des données en temps réel. Il est très pratique car il s'articule autour d'opérations unitaires, comme la transduction, l'expansion, la récolte et la formulation. Chaque expérience possède un identifiant unique qui permet de remonter à la conception, garantissant ainsi sa traçabilité.
Les appareils sont également connectés. Par exemple, les compteurs de cellules sont connectés, ce qui permet de transformer et d'analyser automatiquement les données brutes toutes les heures. Cela représente un gain d'environ 45 minutes par analyse. Multiplié par des dizaines d'analyses par semaine, cela représente des jours de gain de temps par mois. Ce que je tiens particulièrement à souligner ici, c'est la traçabilité. Chaque point de donnée est lié à une idée d'expérience. Nous pouvons toujours revenir en arrière et savoir précisément d'où il provient et dans quelles conditions.
La capture des données n'est que la première étape. Le véritable défi vient ensuite. Nous transformons les résultats bruts en données concrètement analysables et exploitables par les scientifiques. Pour cela, nous avons mis en place un pipeline en cinq étapes. La première étape est l'ingestion : l'extraction des tables brutes directement depuis notre base de données, le nettoyage, puis la fusion, la combinaison des métadonnées d'expérience avec les relevés des appareils, la restructuration et la mise en forme des tables en formats larges ou longs, selon l'analyse souhaitée. Enfin, l'étape de validation consiste à appliquer des contrôles basés sur des règles pour détecter les valeurs manquantes ou les doublons.
En pratique, ce qui rend cela possible, c'est le script JMP. Au lieu de recourir à des étapes manuelles ou à des macros cachées dans des fichiers Excel, nous développons des scripts JMP réutilisables qui automatisent chacun de ces processus. Par exemple, un script s'exécute automatiquement pour remodeler les données au format approprié pour le tableau de bord, évitant ainsi aux scientifiques de toucher aux fichiers bruts. Ou un autre script vérifie chaque nouvel ensemble de données par rapport aux règles prédéfinies. Une fois les scripts écrits, ils peuvent être réutilisés pour toutes les expériences.
Plutôt que d'inventer sa propre méthode de nettoyage des données, nous disposons désormais d'un pipeline standardisé et automatisé, directement dans JMP. Pourquoi ce processus automatisé de liaison terrestre dans les scripts JMP est-il si important ? Auparavant, chaque scientifique utilisait sa propre méthode de nettoyage et d'analyse des données dans Excel. Cela signifiait que chaque scientifique utilisait des formules, des formats et parfois des résultats différents pour une même expérience. Il était extrêmement difficile de traduire tous ces formats, même pour une même expérience suivant les mêmes étapes en laboratoire.
Avec JMP Scripting, nous standardisons le processus. Les scripts effectuent le gros du travail en arrière-plan : vérification des valeurs, remodelage des tables et application systématique des mêmes règles. Tous ces efforts ont permis d'améliorer la cohérence et la traçabilité. De plus, les scientifiques ne passent plus des heures à nettoyer manuellement et peuvent compter sur un résultat prêt à l'analyse et accessible. C'est essentiel, car les scientifiques n'ont pas besoin de savoir coder pour bénéficier de ces pipelines automatisés. Une fois les scripts en place, tout utilisateur peut ouvrir le résultat JMP et travailler immédiatement avec des données propres et validées.
C'est vraiment important, et nous le constatons déjà au sein de nos équipes, car l'une d'entre elles l'a très bien exprimé. Elle a expliqué qu'avant, elle passait beaucoup de temps à préparer les données, et plus à les préparer qu'à les analyser. Maintenant, elle peut passer directement à l'aspect scientifique et réfléchir sérieusement à l'amélioration des processus en laboratoire. C'est précisément la raison pour laquelle nous souhaitons automatiser tout ce processus : cela transforme le traitement des données, autrefois un goulot d'étranglement, en un véritable levier.
Une fois nos données traitées et validées par des scripts JMP, l'étape suivante consiste à les rendre accessibles à l'organisation. Nous utilisons des scripts JMP pour interroger et extraire ces tables directement de la base de données vers JMP. Ces scripts gèrent les connexions, définissent les champs à extraire et garantissent la récupération de la version correcte des données.
Une fois dans JMP, les données sont automatiquement transférées vers JMP Live, ce qui crée une table interactive mise à jour, accessible à toute personne disposant des droits d'accès, sans avoir à exécuter les requêtes elle-même. Nous introduisons également une hiérarchie pour une meilleure organisation.
Nous disposons de dossiers organisés par équipe, par produit et par programme. C'est un atout majeur : tout est automatisé et organisé, évitant ainsi aux scientifiques d'exporter ou de télécharger manuellement les données. Dès que de nouveaux résultats sont ajoutés à la base de données, JMP Live actualise les tables. Grâce à la structure par dossiers, les utilisateurs accèdent directement aux données les plus importantes. Au lieu d'être dispersées dans des dossiers ou différents systèmes de programmation, e-mails ou chats, les données sont stockées dans JMP Live. De la base de données aux scripts JMP, ces tables sont prêtes à être utilisées et les scientifiques peuvent y accéder dans JMP Live.
Une autre fonctionnalité intéressante de JMP Live est la dynamique des tables de données. C'est l'un des aspects les plus puissants de ce système, car elles s'actualisent automatiquement dès l'entrée de nouvelles données dans la base de données. Elles incluent des filtres par matériau et un résumé des calculs, et peuvent être filtrées par identifiant d'échantillon, d'expérience ou par jour de réalisation. Elles sont également formatées, ce qui permet une utilisation immédiate pour les rapports d'équipe. Cela garantit la cohérence et l'homogénéité de la structure entre les expériences. C'est un atout majeur, car cela facilite les comparaisons entre études.
Nous avons également constaté, grâce aux retours des scientifiques, une amélioration de l'efficacité. Ils n'ont plus besoin de passer des heures à formater ou à exporter manuellement les données. De plus, tout est traçable. Chaque table renvoie aux métadonnées de la base de données. C'est un atout majeur pour les données.
Un autre aspect de ce projet chez Takeda concernait l'automatisation du pipeline d'indicateurs clés, car nous utilisons la table de données présentée dans la diapositive précédente. Dans un premier temps, nous avons utilisé un module complémentaire JMP comme preuve de concept pour calculer les indicateurs clés tels que la récupération et l'expansion complète. Nous l'avons ensuite testé sur différentes expériences, avec différentes opérations unitaires et différents nombres de jours ou conditions. Nous souhaitions garantir l'exactitude et la cohérence des calculs effectués dans le code de ce script JMP.
Ces scripts ont été conçus pour refléter le plan d'expérience stocké dans notre système de collecte de données. Chaque calcul est aligné sur l'étape réelle du processus. Pour chaque expérience, le script calcule automatiquement les indicateurs clés pour chaque jour du processus, de la transduction à la récolte en passant par l'expansion. Comme je l'ai mentionné, ces indicateurs incluent la récupération et le facteur d'expansion. Nous avions également des paramètres d'autoculture tels que la viabilité, la densité et d'autres paramètres.
Comme les scripts sont liés au plan d'expérience, les calculs s'adaptaient dynamiquement au processus. Si une expérience comportait des points d'échantillonnage supplémentaires ou des opérations unitaires différentes, les métriques étaient calculées sans intervention manuelle. Chaque calcul est automatisé et lié à la base de données relationnelle que nous utilisons. Les résultats sont immédiatement disponibles dans le tableau de bord JMP Live. C'était très simple et pratique pour les scientifiques, car ils menaient l'expérience et, dès la mise à jour des tables, ils pouvaient visualiser les résultats. De plus, l'absence de calculs manuels représentait un gain de temps considérable. Les scientifiques pouvaient suivre l'évolution quotidienne des métriques et la scalabilité.
Une fois les indicateurs clés calculés automatiquement par les scripts JMP que nous avons développés, l'étape suivante consiste à les rendre exploitables par les scientifiques. Tous ces indicateurs calculés sont désormais intégrés à un tableau de bord JMP Live. Nous avons ajouté des visualisations supplémentaires, telles que des courbes de tendance et des graphiques temporels, afin que les scientifiques puissent suivre les indicateurs jour après jour tout au long du processus de thérapie cellulaire.
Les utilisateurs peuvent explorer les tendances tout au long du processus. Par exemple, ils peuvent observer l'évolution de la viabilité cellulaire lors de l'expansion sur plusieurs cycles, ou le repli des barrières d'expansion entre différents donneurs. Cela présente de réels avantages pour les scientifiques, mais aussi pour les données, car cela permet d'obtenir des informations en temps réel. Les tableaux de bord s'actualisent automatiquement dès que de nouvelles données sont ajoutées à la base de données, permettant ainsi aux équipes de consulter en permanence les derniers résultats. C'est un atout majeur : cela simplifie considérablement le processus pour les scientifiques.
Dans JMP Live, ce tableau de bord permet également de comparer les expériences entre elles, de visualiser les tendances et les différences, et de tout regrouper en un seul endroit, tout en visualisant les différentes exécutions. C'est essentiellement ce tableau de bord qui a permis de créer une boucle entre les calculs automatisés et la visualisation, conçus pour les expériences, afin que les scientifiques puissent explorer leurs données et détecter des tendances.
L'autre tableau de bord du développement analytique concerne les données que nous traitons, notamment les tests de cytotoxicité, la cytométrie en flux et l'immunophénotypage. Ces données peuvent être complexes et multidimensionnelles. Notre objectif avec ce tableau de bord est de comprendre rapidement toute cette complexité. Grâce à ces graphiques interactifs, nous avons permis aux scientifiques d'observer immédiatement la puissance de la cytotoxicité et les profils d'immunophénotype. Au lieu de simples tableaux statiques, ils peuvent visualiser des schémas, des images et différents services d'une expérience à l'autre.
Une autre fonctionnalité très intéressante de JMP Live est le filtrage avancé. Les utilisateurs peuvent isoler les données qu'ils souhaitent consulter par identifiant d'exécution de méthode, paramètre d'identifiant simple ou ratio. C'est un atout majeur, car cela permet de poser des questions très précises, comme : « Comment le donneur A s'est-il comporté dans la condition X par rapport au donneur B ? » Un autre avantage que nous observons est la visualisation des tendances entre les expériences, également pour l'équipe de développement analytique. Au lieu d'examiner une seule exécution de manière isolée, ils peuvent comparer les expériences au fil du temps.
Comme je l'ai mentionné précédemment, ce tableau de bord présente de nombreux avantages et les scripts garantissent que ce tableau de bord transforme des données complexes et de très grande dimension en informations très exploitables, aidant l'équipe et les scientifiques à répondre rapidement à des questions critiques sur l'auto-puissance ou le comportement phénotypique.
Concernant la qualité des données que nous avons testée avec ce script, la qualité des données est essentielle à la prise de décisions fiables, tant en thérapie cellulaire qu'en développement analytique. Il ne suffit pas de traiter et de visualiser les données. Nous voulons également garantir leur exactitude. Les tableaux utilisés par les scientifiques pour explorer les résultats incluent également des contrôles qualité. Ces contrôles valident les indicateurs clés par rapport aux valeurs de référence ou aux données de sortie des appareils.
Par exemple, nous effectuons des contrôles de qualité des données pour l'identifiant de l'échantillon. Nous voulons nous assurer que le scientifique saisit correctement l'identifiant de l'échantillon dans l'appareil, car cet identifiant est également transmis à la table de la base de données. Nous voulons également vérifier la viabilité, c'est-à-dire qu'elle se situe dans les 2 % de la moyenne du compteur de cellules. Enfin, le nombre de cellules vivantes est comparé aux volumes de sortie afin de détecter les incohérences.
Un autre aspect que nous apprécions particulièrement dans ces points de contrôle de la qualité des données est que les scientifiques peuvent immédiatement détecter les fautes de frappe, les incohérences ou les données manquantes. Ils peuvent ainsi identifier précisément les corrections nécessaires et demander la modification à l'équipe chargée des données ou, s'ils peuvent intervenir de leur côté, effectuer la modification.
Nous voulons nous assurer que tous les calculs sont effectués correctement et que le script appelle bien la valeur à partir du bon identifiant d'échantillon. C'est un atout majeur pour notre flux de données JMP Live, car l'un des avantages est la transparence. Les scientifiques comprennent où se situe l'écart, au lieu d'être simplement informés de la source du problème.
Il y a aussi la rapidité de correction. Ces erreurs visibles peuvent être corrigées à la source très rapidement, évitant ainsi des erreurs en aval. De plus, avec un tableau contenant de nombreux identifiants d'échantillons, par exemple 30, il faut évidemment plus de temps et d'efforts pour identifier la petite erreur typographique saisie en laboratoire.
Il peut s'agir d'une simple faute de frappe, comme une seule lettre, et le script ne fournira alors pas le chiffre le plus précis. Avec ce script de qualité des données, nous essayons d'identifier et de corriger toutes ces données avant de tirer des conclusions avec ce tableau de bord. Notre objectif était de créer ces scripts de contrôle qualité et de les intégrer au flux de travail des scientifiques, et non comme une étape distincte. En intégrant tous ces contrôles qualité aux travaux JMP, nous facilitons la détection, la compréhension et la correction des erreurs, tout en offrant un accès en temps réel à des données claires et exploitables. De plus, la culture évolue. Nous nous appuyons davantage sur les tables de données, les nouveaux systèmes et les nouveaux appareils. Il est donc essentiel d'aider les scientifiques à gérer cette transition vers ces nouvelles méthodes de travail.
Pour conclure, en intégrant JMP Live à notre base de données relationnelle, nous avons créé un pipeline de données automatisé, traçable et évolutif. Cela réduit les efforts manuels, permet d'obtenir des informations en temps réel et accélère la recherche et le développement produit. À l'avenir, nous explorions l'analyse prédictive en apprentissage automatique pour rendre le système encore plus intelligent, car, du point de vue du tableau de bord descriptif, nous souhaitons également prédire l'aide à la décision.
La vision ultime est celle d'un avenir où les données non seulement informent les scientifiques, mais anticipent également leurs besoins et les guident vers les meilleures étapes de leurs expériences. Il ne s'agit pas seulement d'un projet d'efficacité interne, mais d'un mouvement plus large au sein de l'industrie pharmaceutique, qui adopte les plateformes numériques, l'automatisation et la science des données pour accélérer l'accès aux traitements.
Je tiens à remercier mes collègues de Takeda, qui m'ont accompagné dans cette aventure. Merci à l'équipe JMP pour les outils qui ont rendu cela possible. Merci à tous pour votre attention et votre curiosité, ainsi que pour votre présence au Discovery Summit. Ce fut un honneur de partager notre histoire et de montrer comment l'automatisation et la numérisation transforment notre façon de faire de la science. Merci.
