Zelltherapie- und analytische Entwicklungsabläufe beinhalten komplexe Daten, die verarbeitet und visualisiert werden müssen, um aussagekräftige Erkenntnisse zu gewinnen. Unser Team bei Takeda Pharmaceuticals US Inc. hat sich zum Ziel gesetzt, eine optimierte, automatisierte Lösung zu entwickeln, die es Laboranwendern ermöglicht, Zelltherapiedaten effektiv zu visualisieren und zu analysieren. Durch die automatisierte Generierung verarbeiteter Datentabellen und dynamischer Dashboards präsentiert unser System wichtige Kennzahlen (wie Erholung, Expansionsfalte und Zellkulturparameter) in einem intuitiven Format. Diese Lösung ermöglicht es Forschern in der Zelltherapie und analytischen Entwicklung, den experimentellen Fortschritt schnell zu bewerten und datenbasierte Entscheidungen zu treffen, wodurch sowohl die Forschung als auch die Produktentwicklung in diesem Bereich beschleunigt werden.
Hallo zusammen! Ich bin Maria Reyna Fernandez. Ich bin Forscherin im Bereich Zelltherapie bei Takeda. Ich freue mich, hier beim Discovery Summit dabei zu sein und Ihnen zu erzählen, wie wir mit JMP Live ein automatisiertes Datenökosystem aufgebaut haben, um die Entwicklung von Zelltherapien zu beschleunigen.
In der gesamten Pharmabranche beobachten wir einen starken Trend hin zu Digitalisierung, Automatisierung, Datenintegration und Echtzeit-Entscheidungen. Heute zeige ich Ihnen, wie unser Team diese Prinzipien in der Zelltherapie anwendet und ein JMP Live-Ökosystem entwickelt hat, das Rohdaten in umsetzbare Erkenntnisse umwandelt und so den Weg vom Labor zum Patienten beschleunigt.
Bevor wir ins Detail gehen, ein paar Anmerkungen: Ich bin Mitarbeiter von Takeda und besitze Unternehmensaktien. Die Ansichten, die ich heute teile, sind meine eigenen und spiegeln möglicherweise nicht die von Takeda wider. Ich möchte außerdem darauf hinweisen, dass ich keine Verbindungen zu Anbietern der Technologien habe, die ich heute beschreibe.
Meine Perspektive basiert jedoch stark darauf, dass ich diese Workflows sowohl als Benutzer als auch als Entwickler betrachte. Ich werde Ihnen einige der Herausforderungen vorstellen, mit denen wir konfrontiert waren und die wir bewältigt haben, und Ihnen mitteilen, was wir dabei gelernt haben.
Unsere Zelltherapie-Workflows generieren komplexe Datensätze. Traditionell wurden diese Daten manuell verarbeitet, was die Analyse verlangsamte und das Fehlerrisiko erhöhte. Das Ziel dieses Projekts war einfach, aber ehrgeizig: die Automatisierung des gesamten Prozesses von der Rohdatenerfassung bis zur Visualisierung. Durch die Integration relationaler Datenbanken mit JMP Desktop und JMP Live haben wir ein System geschaffen, das saubere, validierte und interaktive Datenansichten liefert und Wissenschaftlern schnellere und sicherere Entscheidungen ermöglicht. In dieser Präsentation geht es darum, Ihnen den Weg zu zeigen, die chaotische Realität manueller Daten und anschließend die optimierte und kollaborative Welt, die wir mit JMP schaffen.
Hier ist der Fahrplan für den heutigen Vortrag. Ich führe Sie durch die Herausforderungen manueller Arbeitsabläufe, der automatisierten Datenpipeline, wie wir Schemametriken berechnet und visualisiert haben, und erkläre Ihnen unseren Ansatz zur Qualitätskontrolle, also die Auswirkungen unserer Teams und was wir als Nächstes erwarten.
Zelltherapie- und analytische Entwicklungsgruppen generieren riesige Datenmengen. Jedes Experiment kann mehrere Geräte, mehrere Zeitpunkte und mehrere Wissenschaftler umfassen. Excel war früher unser Arbeitspferd, aber Excel war nicht für diese Komplexität ausgelegt. Es ist ein fantastisches Tool für viele Aufgaben, aber wenn man monatelange Experimente mit Tausenden von Datenpunkten in mehreren Teams durchführt, wird Excel anfällig.
Was wir wirklich brauchten, war ein automatisiertes System, das den Wissenschaftlern die wiederkehrende Arbeit erspart. Das System musste nachvollziehbar sein, sodass jeder Datenpunkt mit seiner Quelle verknüpft werden konnte. Das System musste kollaborativ sein, sodass alle Mitarbeiter im gesamten Unternehmen dieselbe Version der Wahrheit sehen und nutzen konnten. Hier kam JMP Live in Kombination mit der Datenbank als unsere Lösung ins Spiel.
Was die aktuellen Herausforderungen angeht, möchte ich kurz innehalten und ein Bild vom Leben vor dem System zeichnen. Stellen Sie sich einen Wissenschaftler vor, der ein Experiment durchführt. Er erhält Daten von mehreren Geräten. Letztendlich liegen all diese Informationen an verschiedenen Orten in unterschiedlichen Formaten vor. Was passiert als Nächstes? Er öffnet Excel und beginnt mit dem Kopieren und Einfügen, konvertiert Einheiten, benennt Spalten um und berechnet die Erweiterungsfalte manuell neu. Das kann Stunden, manchmal Tage dauern, bis er endlich mit der Wissenschaft beginnen kann.
Hinzu kommt der menschliche Faktor. Wissenschaftler erstellen oft ihre eigenen Excel-Makros und Formeln. Zwei Personen, die am selben Experiment arbeiten, verwenden möglicherweise leicht unterschiedliche Logik oder aktualisieren unterschiedliche Versionen derselben Datei. Es kommt auch vor, dass drei verschiedene Endversionen einer Excel-Datei per E-Mail kursieren. Welche war die richtige? Diese Ungewissheit ist bei Zelltherapie-Experimenten sehr belastend und riskant.
Hier liegt das größere Problem. Die Zelltherapie ist ein Feld, das sich schnell entwickelt, die Patienten warten. Jede Verzögerung bei der Analyse verlangsamt die Entwicklung von Therapien, die wirklich etwas bewirken könnten. Das ist nicht nur bei Takeda so. Pharmaunternehmen in aller Welt erkennen, dass manuelle, Excel-gesteuerte Arbeitsabläufe einen Engpass darstellen.
Die Branche befindet sich in einem digitalen Wandel und entfernt sich von lokalen Dateien auf den Computern der Mitarbeiter. Integrierte automatisierte Systeme sorgen dafür, dass Daten sauber, standardisiert und gemeinsam nutzbar sind. In vielerlei Hinsicht ging es bei unserem Projekt nicht nur darum, ein lokales Problem zu lösen, sondern vielmehr darum, sich an die größere Digitalisierungswelle in der Pharmaindustrie anzupassen. Automatisierung soll menschliche Fehler reduzieren, teamübergreifend skalierbare Systeme entwickeln und vor allem eine Kultur schaffen, in der Wissenschaftler den Daten vertrauen und sich ganz auf die Wissenschaft konzentrieren können, anstatt auf Excel-Dateien.
Man kann sich das so vorstellen: Der alte Ansatz war wie der Versuch, eine Brücke von Hand mit unpassenden Werkzeugen zu bauen. Der neue Ansatz ist wie eine perfekt organisierte Fabrik, in der jedes Teil montagefertig ankommt. Jeder Schritt wird verfolgt. Das ist der große Sprung, den wir mit der Digitalisierung gemacht haben. Ich zeige Ihnen, wie wir das mit unserem experimentellen Datenerfassungssystem und der Geräteanbindung umgesetzt haben.
Um dieses Problem zu lösen, haben wir ein umfassendes System zur Erfassung experimenteller Daten entwickelt. Dieses System ermöglicht es Wissenschaftlern, Experimente zu planen und Daten in Echtzeit aufzuzeichnen. Es ist besonders praktisch, da es sich an Grundoperationen wie Transduktion, Expansion, Ernte und Formulierung orientiert. Jedes Experiment hat eine eindeutige ID, die auf das Design verweist und so die Rückverfolgbarkeit gewährleistet.
Auch Geräte sind vernetzt. Beispielsweise sind Zellzähler so vernetzt, dass die Rohdaten stündlich automatisch transformiert und analysiert werden. Das spart etwa 45 Minuten pro Test. Multipliziert man das auf Dutzende von Tests pro Woche, ergibt das mehrere Tage Zeitersparnis pro Monat. Besonders hervorheben möchte ich die Rückverfolgbarkeit. Jeder Datenpunkt ist mit einer Versuchsidee verknüpft. Wir können jederzeit zurückverfolgen und genau wissen, woher er stammt und unter welchen Bedingungen er entstand.
Die Datenerfassung ist nur der erste Schritt. Die eigentliche Herausforderung kommt danach. Wir wandeln die Rohdaten in Daten um, die Wissenschaftler tatsächlich analysieren und nutzen können. Dafür haben wir eine fünfstufige Pipeline entwickelt. Im ersten Schritt erfolgt die Datenaufnahme. Dabei werden die Rohdatentabellen direkt aus unserer Datenbank abgerufen, bereinigt und anschließend zusammengeführt. Dabei werden Versuchsmetadaten mit Gerätedaten kombiniert, die Tabellen werden umstrukturiert und je nach gewünschter Analyse in breite oder lange Formate gebracht. Schließlich folgt der Validierungsschritt, bei dem regelbasierte Prüfungen durchgeführt werden, um fehlende Werte oder doppelte Übereinstimmungen zu erkennen.
Was dies in der Praxis ermöglicht, ist JMP-Scripting. Anstatt auf manuelle Schritte oder in Excel-Dateien versteckte Makros zurückzugreifen, entwickeln wir wiederverwendbare JMP-Skripte, die jeden dieser Prozesse automatisieren. Beispielsweise ein Skript, das automatisch ausgeführt wird, um Daten in das richtige Format für das Dashboard umzuwandeln, sodass Wissenschaftler die Rohdateien nicht anfassen müssen. Oder ein anderes Skript, das jeden neuen Datensatz anhand vordefinierter Regeln prüft. Sobald die Skripte geschrieben sind, können sie in verschiedenen Experimenten wiederverwendet werden.
Anstatt dass jeder seine eigene Methode zur Datenbereinigung erfindet, verfügen wir jetzt über eine standardisierte und automatisierte Pipeline, allerdings direkt in JMP. Warum ist dieser automatisierte Ground-Link-Prozess in JMP-Skripten so wichtig? Früher bereinigte und analysierte jeder Wissenschaftler seine Daten auf seine eigene Weise in Excel. Das bedeutete, dass jeder Wissenschaftler für dasselbe Experiment unterschiedliche Formeln, unterschiedliche Formate und manchmal auch unterschiedliche Ergebnisse hatte. Es war sehr, sehr schwierig, all diese Formate selbst für dasselbe Experiment zu übersetzen, das im Labor denselben Schritten folgte.
Mit JMP Scripting standardisieren wir den Prozess. Die Skripte erledigen die Schwerstarbeit im Hintergrund, prüfen Werte, formen Tabellen um und wenden stets dieselben Regeln an. Dieser Aufwand steigert unserer Meinung nach Konsistenz und Nachvollziehbarkeit. Wissenschaftler müssen nicht mehr stundenlang manuell aufräumen und können sich darauf verlassen, dass die Ergebnisse analysebereit und zugänglich sind. Das ist entscheidend, denn Wissenschaftler müssen nicht programmieren können, um von diesen automatisierten Pipelines zu profitieren. Sobald die Skripte implementiert sind, kann jeder Benutzer die JMP-Ausgabe öffnen und sofort mit sauberen und validierten Daten arbeiten.
Das ist wirklich wichtig, und wir sehen diesen Wert bereits in unseren Teams, wie eines unserer Teammitglieder sehr treffend formulierte. Sie sagte, dass sie früher viel Zeit mit der Datenaufbereitung verbrachte, und zwar mehr Zeit mit der Datenaufbereitung als mit der Datenanalyse. Jetzt kann sie sich ganz der wissenschaftlichen Arbeit widmen und sich intensiv mit der Verbesserung des Prozesses im Labor befassen. Das ist der eigentliche Grund, warum wir diesen gesamten Prozess automatisieren wollen: Dadurch wird die Datenverarbeitung vom Engpass zum Wegbereiter.
Nachdem unsere Daten mithilfe von JMP-Skripten verarbeitet und validiert wurden, besteht der nächste Schritt darin, sie für die Organisation zugänglich zu machen. Wir verwenden JMP-Skripte, um diese Tabellen direkt aus der Datenbank abzufragen und in JMP zu übertragen. Diese Skripte verwalten die Verbindungen, definieren die zu extrahierenden Felder und stellen sicher, dass die richtige Version der Daten abgerufen wird.
Sobald die Daten in JMP sind, werden sie automatisch in JMP Live übertragen. Dadurch wird die aktualisierte interaktive Tabelle erstellt, die jeder mit den entsprechenden Zugriffsrechten nutzen kann, ohne die Abfragen selbst ausführen zu müssen. Wir führen außerdem eine Hierarchie ein, um die Übersicht zu wahren.
Wir haben Ordner, in denen wir nach Team, Produkt und Programm organisieren. Das ist wirklich praktisch, denn der Hauptvorteil besteht darin, dass alles automatisiert und organisiert ist, sodass Wissenschaftler keine Daten manuell exportieren oder hochladen müssen. Sobald neue Ergebnisse in die Datenbank eingehen, aktualisiert JMP Live die Tabellen. Dank der Ordnerstruktur können Benutzer direkt zu den für sie wichtigsten Daten navigieren. Anstatt Daten über Ordner oder verschiedene Programmsysteme, E-Mails und Chats zu verstreuen, sind sie in JMP Live gespeichert. Von der Datenbank in JMP-Skripte. Anschließend sind diese Tabellen einsatzbereit und die Wissenschaftler können in JMP Live darauf zugreifen.
Eine weitere großartige Funktion von JMP Live ist die Dynamik der Datentabellen. Sie ist einer der leistungsstärksten Aspekte des Systems, da sie sich automatisch aktualisieren, sobald neue Daten in die Datenbank eingehen. Sie enthalten Filter für Materialien, eine Zusammenfassung der Berechnungen und können nach Proben-ID, Experiment-ID oder dem Tag der Durchführung des Experiments gefiltert werden. Die Tabellen sind zudem formatiert und können sofort für die Teamberichte verwendet werden. Dies gewährleistet Konsistenz und eine identische Struktur aller Experimente. Das ist besonders praktisch, da Wissenschaftler so studienübergreifende Vergleiche einfacher durchführen können.
Uns ist außerdem – und auch dem Feedback der Wissenschaftler – eine verbesserte Effizienz aufgefallen. Die Wissenschaftler müssen nicht mehr stundenlang Daten manuell formatieren oder exportieren. Alles ist nachvollziehbar. Jede Tabelle ist mit den Metadaten in der Datenbank verknüpft. Das ist aus Datensicht wirklich hilfreich.
Ein weiterer Aspekt, den wir in diesem Projekt hier bei Takeda umgesetzt haben, war die automatisierte Pipeline für Schlüsselkennzahlen, da wir die Datentabelle verwenden, die wir gerade auf der vorherigen Folie besprochen haben. Zunächst verwendeten wir ein JMP-Add-In als Proof of Concept, um die wichtigsten Kennzahlen wie Erholung und vollständige Expansion zu berechnen. Anschließend testeten wir es in verschiedenen Experimenten. Experimente mit unterschiedlichen Grundoperationen und unterschiedlicher Anzahl von Tagen oder Bedingungen. Wir wollten die Genauigkeit und Konsistenz der Berechnungen im Code dieses JMP-Skripts sicherstellen.
Diese Skripte wurden so konzipiert, dass sie den in unserem Datenerfassungssystem gespeicherten Versuchsplan widerspiegeln. Jede Berechnung ist auf den tatsächlichen Prozessschritt abgestimmt. Für jedes Experiment berechnet das Skript automatisch die wichtigsten Kennzahlen für jeden Prozesstag, von der Transduktion über die Expansion bis zur Ernte. Wie bereits erwähnt, umfassen die Kennzahlen die Erholung und die Expansionsrate. Darüber hinaus verfügten wir über Selbstkulturparameter wie Lebensfähigkeit, Dichte und weitere Parameter.
Da die Skripte an das Versuchsdesign gebunden sind, passen sich die Berechnungen dynamisch an den Prozess an. Wenn ein Versuch zusätzliche Probenahmepunkte oder andere Einheitsoperationen aufweist, werden die Messwerte ohne manuelles Eingreifen berechnet. Jede Berechnung ist automatisiert und mit der von uns verwendeten relationalen Datenbank verknüpft. Die Ergebnisse sind sofort im JMP Live-Dashboard verfügbar. Das war für die Wissenschaftler sehr einfach und angenehm, da sie den Versuch durchführen konnten und die Tabellen nach der Aktualisierung bereits visualisiert sehen konnten. Außerdem spart es Zeit, da keine manuellen Berechnungen erforderlich sind. Wissenschaftler können die tägliche Entwicklung der Messwerte und die Skalierbarkeit verfolgen.
Sobald die wichtigsten Kennzahlen automatisch von den von uns entwickelten JMP-Skripten berechnet wurden, besteht der nächste Schritt darin, sie für Wissenschaftler nutzbar zu machen. Alle berechneten Kennzahlen werden nun in ein JMP Live-Dashboard eingespeist. Wir haben zusätzliche Visualisierungen wie Trendlinien und Zeitverlaufsdiagramme hinzugefügt, damit Wissenschaftler die Kennzahlen während des gesamten Zelltherapieprozesses täglich verfolgen können.
Benutzer können Trends über den gesamten Prozess hinweg untersuchen. Beispielsweise können sie sehen, wie sich die Zelllebensfähigkeit während der Expansion über mehrere Durchläufe hinweg verändert oder wie sich die Expansionsbarrieren zwischen verschiedenen Spendern ändern. Dies bietet sowohl für die Wissenschaftler als auch für die Datenerfassung große Vorteile, da es Echtzeit-Einblicke ermöglicht. Dashboards werden automatisch aktualisiert, wenn neue Daten in die Datenbank aufgenommen werden, sodass die Teams immer die neuesten Ergebnisse sehen. Das ist wirklich großartig und vereinfacht den Prozess für die Wissenschaftler erheblich.
In diesem Dashboard von JMP Live können Sie außerdem experimentelle Vergleiche durchführen, Trends und Unterschiede an einem Ort erkennen und die verschiedenen Durchläufe visualisieren. Dies ist im Wesentlichen das Dashboard, das die Schleife aus experimentell konzipierten, automatisierten Berechnungen und Visualisierungen erstellt hat, damit Wissenschaftler ihre Daten untersuchen und Trends erkennen können.
Das andere Dashboard in der analytischen Entwicklung umfasst Daten aus Zytotoxizitätstests, Durchflusszytometrie und Immunphänotypisierung. Diese Daten können komplex und multidimensional sein. Unser Ziel mit diesem Dashboard ist es, diese Komplexität schnell zu verstehen. Mit diesen interaktiven Grafiken ermöglichen wir Wissenschaftlern die sofortige Beobachtung der Zytotoxizitätsstärke und der Immunphänotypprofile. Statt nur statischer Tabellen können sie Muster, Bilder und verschiedene Dienste aus verschiedenen Experimenten erkennen.
Eine weitere tolle Funktion von JMP Live ist die erweiterte Filterfunktion. Benutzer können die gewünschten Daten einfach nach Methodenlauf-ID, einfachem ID-Parameter oder Verhältnis isolieren. Das ist großartig, denn so lassen sich sehr spezifische Fragen stellen, wie zum Beispiel: „Wie hat Spender A unter Bedingung X im Vergleich zu Spender B abgeschnitten?“ Ein weiterer Vorteil ist die Trendvisualisierung über Experimente hinweg für das analytische Entwicklungsteam. Anstatt nur einen Lauf isoliert zu betrachten, können sie Experimente im Zeitverlauf vergleichen.
Wie ich bereits erwähnt habe, bietet dieses Dashboard zahlreiche Vorteile. Die Skripts stellen sicher, dass dieses Dashboard komplexe und sehr hochdimensionale Daten in sehr umsetzbare Erkenntnisse umwandelt und dem Team und den Wissenschaftlern hilft, kritische Fragen zur Selbstpotenz oder zum phänotypischen Verhalten schnell zu beantworten.
Die Datenqualität, die wir mit diesem Skript getestet haben, ist entscheidend für fundierte Entscheidungen in der Zelltherapie und der analytischen Entwicklung. Es reicht nicht aus, die Daten nur zu verarbeiten und zu visualisieren. Wir wollen auch ihre Richtigkeit sicherstellen. Dieselben Tabellen, die Wissenschaftler zur Auswertung der Ergebnisse verwenden, beinhalten auch Qualitätsprüfungen. Diese Prüfungen validieren wichtige Kennzahlen anhand von Referenzwerten oder Geräteausgaben.
Beispielsweise führen wir Datenqualitätsprüfungen für die Proben-ID durch. Wir möchten sicherstellen, dass der Wissenschaftler die Proben-ID korrekt in das Gerät eingibt, da diese auch in die Datenbanktabelle übertragen wird. Wir möchten auch die Lebensfähigkeit überprüfen und sicherstellen, dass sie innerhalb der 2 %-Marke des Zellzählerdurchschnitts liegt. Außerdem wird die Lebendzellzahl mit den Ausgabevolumina verglichen, um Inkonsistenzen zu erkennen.
Ein weiterer Vorteil dieser Datenqualitäts-Checkpoints ist, dass Wissenschaftler potenzielle Tippfehler, Abweichungen oder fehlende Daten sofort erkennen. Sie können genau erkennen, wo Korrekturen erforderlich sind, und die Änderung entweder beim Datenteam anfordern oder, wenn sie selbst etwas tun können, selbst vornehmen.
Wir möchten sicherstellen, dass alle Berechnungen korrekt durchgeführt werden und das Skript den Wert der richtigen Proben-ID abruft. Dies ist in unserem JMP Live-Datenfluss von Vorteil, da die Transparenz ein Vorteil ist. Wissenschaftler erkennen, wo Diskrepanzen bestehen, anstatt nur das Problem zu erfahren.
Hinzu kommt die Geschwindigkeit der Korrektur. Diese sichtbaren Fehler können sehr schnell an der Quelle korrigiert werden, wodurch spätere Fehler vermieden werden. Wenn Sie eine Tabelle mit vielen Proben-IDs haben, beispielsweise 30 Proben-IDs, ist es natürlich zeitaufwändiger und mühsamer, den kleinen Tippfehler zu identifizieren, der im Labor eingegeben wurde.
Schon ein kleiner Tippfehler, nur ein Buchstabe, genügt, und das Skript liefert nicht die genaueste Zahl. Mit diesem Datenqualitätsskript versuchen wir, alle Daten zu identifizieren und zu korrigieren, bevor wir mithilfe dieses Dashboards Schlussfolgerungen ziehen. Unser Ziel bestand im Wesentlichen darin, diese Qualitätskontrollskripte zu erstellen und sie als Teil des Workflows der Wissenschaftler zu integrieren, nicht als separaten Schritt. Durch die Integration all dieser Qualitätskontrollprüfungen in die Arbeit mit JMP erleichtern wir das Auffinden, Verstehen und Korrigieren von Fehlern und bieten gleichzeitig Echtzeitzugriff auf saubere und verwertbare Daten. Außerdem verändert sich die Unternehmenskultur. Wir verlassen uns stärker auf Datentabellen, neue Systeme und neue Geräte. Es ist definitiv sehr wichtig, den Wissenschaftlern den Übergang zu diesen neuen Arbeitsweisen zu erleichtern.
Abschließend haben wir durch die Integration von JMP Live in unsere relationale Datenbank eine automatisierte, nachvollziehbare und skalierbare Datenpipeline geschaffen. Dies reduziert den manuellen Aufwand, ermöglicht Echtzeit-Einblicke und beschleunigt sowohl Forschung als auch Produktentwicklung. Zukünftig untersuchen wir prädiktive Analysen im Bereich maschinelles Lernen, um das System noch intelligenter zu machen, denn aus der Perspektive des deskriptiven Dashboards wollen wir auch die Entscheidungsunterstützung vorhersagen.
Die ultimative Vision ist eine Zukunft, in der Daten Wissenschaftler nicht nur informieren, sondern auch ihre Bedürfnisse antizipieren und sie zu den besten nächsten Schritten in ihren Experimenten führen. Was hier passiert, ist nicht nur ein internes Effizienzprojekt, sondern Teil einer größeren Bewegung in der Pharmaindustrie, die digitale Plattformen, Automatisierung und Datenwissenschaft nutzt, um die Therapien für Patienten zu beschleunigen.
Ich möchte meinen Kollegen bei Takeda danken, die mich auf diesem Weg begleitet haben. Vielen Dank an das JMP-Team für die Bereitstellung der Tools, die dies ermöglicht haben. Vielen Dank an alle für Ihren Besuch beim Discovery Summit, Ihre Aufmerksamkeit und Neugier. Es war mir eine Ehre, unsere Geschichte darüber zu teilen, wie Automatisierung und Digitalisierung unsere Wissenschaft verändern. Vielen Dank.
