I flussi di lavoro di terapia cellulare e sviluppo analitico coinvolgono dati complessi che devono essere elaborati e visualizzati per fornire informazioni significative. Il nostro team di Takeda Pharmaceuticals US Inc. mira a sviluppare una soluzione semplificata e automatizzata che consenta agli utenti di laboratorio di visualizzare e analizzare i dati di terapia cellulare in modo efficace. Automatizzando la generazione di tabelle di dati elaborati e dashboard dinamiche, il nostro sistema presenta metriche chiave (come recupero, piega di espansione e parametri di coltura cellulare) in un formato intuitivo. Questa soluzione consente ai ricercatori di terapia cellulare e sviluppo analitico di valutare rapidamente i progressi sperimentali e prendere decisioni basate sui dati, accelerando così sia la ricerca che lo sviluppo di prodotti in questo campo.
Ciao a tutti. Sono Maria Reyna Fernandez. Sono una ricercatrice in terapia cellulare presso Takeda. Sono entusiasta di essere qui al Discovery Summit per condividere come abbiamo creato un ecosistema di dati automatizzato utilizzando JMP Live per accelerare lo sviluppo della terapia cellulare.
In tutto il settore farmaceutico, abbiamo assistito a un'urgente spinta verso la digitalizzazione, l'automazione, l'integrazione dei dati e il processo decisionale in tempo reale. Oggi vi mostrerò come il nostro team ha applicato questi principi alla terapia cellulare, creando un ecosistema JMP Live che trasforma i dati grezzi in informazioni fruibili e, in definitiva, accelera il percorso dal laboratorio al paziente.
Prima di addentrarci nell'argomento, alcune precisazioni. Sono un dipendente di Takeda e possiedo azioni della società. Le opinioni che esprimo oggi sono personali e potrebbero non riflettere quelle di Takeda. Vorrei inoltre sottolineare che non ho alcuna affiliazione con alcun fornitore delle tecnologie che descriverò oggi.
Detto questo, la mia prospettiva è fortemente radicata nell'essere sia un utente che uno sviluppatore di questi flussi di lavoro. Condividerò alcune delle sfide che abbiamo affrontato e su cui abbiamo lavorato, e ciò che abbiamo imparato lungo il percorso.
I nostri flussi di lavoro per la terapia cellulare generano set di dati complessi. Tradizionalmente, questi dati venivano elaborati manualmente, rallentando l'analisi e aumentando il rischio di errore. L'obiettivo di questo progetto era semplice ma ambizioso: automatizzare l'intera pipeline, dall'acquisizione dei dati grezzi alla visualizzazione. Integrando i database relazionali con JMP Desktop e JMP Live, abbiamo creato un sistema che fornisce visualizzazioni di dati pulite, convalidate e interattive, consentendo agli scienziati di prendere decisioni più rapidamente e con maggiore sicurezza. Questa presentazione mira a mostrarvi il percorso, la realtà caotica dei dati manuali e, infine, il mondo semplificato e collaborativo che costruiamo con JMP.
Ecco la roadmap del discorso di oggi. Vi guiderò attraverso le sfide dei flussi di lavoro manuali, la pipeline di dati automatizzata, il modo in cui calcoliamo e visualizziamo le metriche di schema e il nostro approccio al controllo qualità, quindi l'impatto dei nostri team e cosa prevediamo per il futuro.
I gruppi di sviluppo analitico e di terapia cellulare generano enormi volumi di dati. Ogni esperimento può coinvolgere più dispositivi, più punti temporali e più scienziati. Storicamente, Excel era il nostro cavallo di battaglia, ma non era progettato per questa scala di complessità. È uno strumento fantastico per molti scopi, ma quando si gestiscono esperimenti nell'arco di mesi con migliaia di punti dati in più team, Excel diventa fragile.
Ciò di cui avevamo veramente bisogno era un sistema automatizzato, che evitasse agli scienziati di dover svolgere il lavoro ripetitivo. Tracciabile, in modo che ogni punto dati potesse essere collegato alla sua fonte. Collaborativo, in modo che tutti all'interno dell'organizzazione potessero vedere e utilizzare la stessa versione dei dati. È qui che JMP Live, in combinazione con il database, è diventata la nostra soluzione.
Per quanto riguarda le sfide attuali, lasciatemi fermarmi qui e descrivere com'era la vita prima del sistema. Immaginate uno scienziato che conduce un esperimento. Ottiene dati provenienti da più dispositivi. Alla fine, tutte queste informazioni risiedono in luoghi diversi e in formati diversi. Cosa succede dopo? Apre Excel e inizia a copiare, incollare, magari converte le unità di misura, rinomina le colonne, ricalcola manualmente la piega di espansione. Questo potrebbe richiedere ore, a volte giorni, solo per arrivare al punto in cui può iniziare a pensare alla scienza.
Ora, aggiungiamo il fattore umano. Gli scienziati spesso creano le proprie macro e formule Excel. Due persone che lavorano allo stesso esperimento potrebbero usare logiche leggermente diverse o aggiornare versioni diverse dello stesso file. Ci sono anche situazioni in cui circolano via e-mail tre diverse versioni finali di un file Excel. Quale era quella vera? Questa incertezza è molto stressante e rischiosa negli esperimenti di terapia cellulare.
Ecco il problema più grande. La terapia cellulare è un campo in rapida evoluzione, i pazienti sono in attesa. Ogni ritardo nelle analisi rallenta lo sviluppo di terapie che potrebbero fare davvero la differenza. Questo non riguarda solo Takeda. In tutto il settore farmaceutico, le aziende si stanno rendendo conto che i flussi di lavoro manuali basati su Excel rappresentano un collo di bottiglia.
Il settore ha attraversato una trasformazione digitale, abbandonando i file locali sui computer delle persone. Sono stati sviluppati sistemi automatizzati integrati che garantivano la pulizia, la standardizzazione e la condivisione dei dati. Per molti versi, il nostro progetto non si è limitato a risolvere un problema locale, ma si è concentrato piuttosto sull'allineamento con questa più ampia ondata di digitalizzazione nel settore farmaceutico. Sfruttare l'automazione per ridurre l'errore umano, creare sistemi scalabili tra i team e, soprattutto, creare una cultura in cui gli scienziati possano fidarsi dei dati che vedono e concentrarsi esclusivamente sulla scienza e non sui file Excel.
Si può pensare a questo come al vecchio approccio, che era come cercare di costruire un ponte a mano con strumenti non adatti. Il nuovo approccio è come avere una fabbrica ben organizzata, dove ogni componente arriva pronto per essere assemblato. Ogni passaggio è tracciato. Questo è il salto di qualità che abbiamo fatto con la digitalizzazione. Vi mostrerò come l'abbiamo fatto nel nostro sistema sperimentale di raccolta dati e il lavoro che abbiamo svolto con la connessione dei dispositivi.
Per affrontare questo problema, abbiamo creato un sistema end-to-end di raccolta dati sperimentali. Questo sistema consente agli scienziati di progettare esperimenti e registrare i dati in tempo reale. È molto utile perché si basa su una struttura basata su operazioni unitarie, come trasduzione, espansione, raccolta e formulazione. Ogni esperimento ha un ID univoco che rimanda al progetto, garantendone la tracciabilità.
Anche i dispositivi sono connessi. Ad esempio, i contatori di cellule sono collegati in modo che i dati grezzi vengano trasformati e analizzati automaticamente ogni ora. Questo fa risparmiare circa 45 minuti per test. Se si moltiplica questo tempo per decine di test a settimana, si ottengono giorni di tempo risparmiati al mese. Ciò che voglio davvero sottolineare qui è la tracciabilità. Ogni punto dati è legato a un'idea sperimentale. Possiamo sempre tornare indietro e sapere esattamente da dove proviene e in quali condizioni.
L'acquisizione dei dati è solo il primo passo. La vera sfida arriva dopo. Stiamo trasformando i risultati grezzi in qualcosa che gli scienziati possano effettivamente analizzare e utilizzare. Per questo, abbiamo creato una pipeline in cinque fasi. Per farlo, abbiamo la prima fase, ovvero l'ingestione, ovvero l'estrazione delle tabelle grezze direttamente dal nostro database, la pulizia e la successiva unione, combinando i metadati degli esperimenti con le letture dei dispositivi, ristrutturando e modellando le tabelle in formati ampi o lunghi, a seconda dell'analisi che vogliamo eseguire. Infine, la fase di convalida, che consiste nell'applicazione di controlli basati su regole per individuare valori mancanti o corrispondenze duplicate.
Ciò che rende tutto questo possibile nella pratica è lo scripting JMP. Invece di affidarci a passaggi manuali o macro nascoste nei file Excel, sviluppiamo script JMP riutilizzabili che automatizzano ciascuno di questi processi. Ad esempio, uno script che viene eseguito automaticamente per rimodellare i dati nel formato corretto per la dashboard, in modo che gli scienziati non debbano intervenire sui file grezzi. Oppure un altro script che verifica ogni nuovo set di dati rispetto alle regole predefinite. Una volta scritti, gli script possono essere riutilizzati in diversi esperimenti.
Invece di lasciare che ognuno inventasse il proprio metodo di pulizia dei dati, ora disponiamo di una pipeline standardizzata e automatizzata, ma direttamente in JMP. Ora, perché questo processo di ground-link automatizzato negli script JMP è così importante? In passato, ogni scienziato eseguiva il proprio metodo di pulizia e analisi dei dati in Excel. Ciò significava che ogni scienziato aveva formule diverse, formati diversi e talvolta risultati diversi per lo stesso esperimento. Era molto, molto difficile tradurre tutti questi formati anche per lo stesso esperimento che seguiva gli stessi passaggi in laboratorio.
Con JMP Scripting, standardizziamo il processo. Gli script svolgono il lavoro più pesante dietro le quinte, controllando i valori, rimodellando le tabelle e applicando le stesse regole in modo coerente ogni volta. Il risultato di tutto questo impegno è la coerenza e la tracciabilità. Inoltre, gli scienziati non dedicano più ore alla pulizia manuale e possono contare su un output pronto per l'analisi e accessibile. Questo è fondamentale perché gli scienziati non hanno bisogno di saper programmare per trarre vantaggio da queste pipeline automatizzate. Una volta implementati gli script, qualsiasi utente può aprire l'output di JMP e lavorare immediatamente con dati puliti e convalidati.
È davvero importante e ne vediamo già il valore nei nostri team perché uno dei nostri membri lo ha spiegato molto bene. Ha detto che prima dedicava molto tempo alla preparazione dei dati, e più tempo alla preparazione che all'analisi. Ora può semplicemente passare alla parte scientifica e pensare a come migliorare il processo in laboratorio. Questa è l'essenza del motivo per cui vogliamo automatizzare tutto questo processo, perché trasforma l'elaborazione dei dati da un collo di bottiglia a un fattore abilitante.
Una volta elaborati e convalidati i nostri dati tramite script JMP, il passo successivo è renderli accessibili all'organizzazione. Utilizziamo script JMP per interrogare e importare queste tabelle direttamente dal database in JMP. Questi script gestiscono le connessioni, definiscono quali campi estrarre e garantiscono che venga recuperata la versione corretta dei dati.
Una volta all'interno di JMP, i dati vengono automaticamente trasferiti in JMP Live, creando una tabella interattiva aggiornata che chiunque disponga dei diritti di accesso può utilizzare senza dover eseguire le query manualmente. Introduciamo anche una gerarchia per mantenere l'organizzazione.
Abbiamo cartelle in cui organizziamo per team, per prodotto, per programma. È davvero utile perché il vantaggio principale è che tutto è automatizzato e organizzato, quindi gli scienziati non devono esportare o caricare manualmente i dati. Non appena nuovi risultati vengono inseriti nel database, JMP Live si aggiorna con le tabelle aggiornate. Grazie alla struttura a cartelle, gli utenti possono accedere direttamente ai dati più importanti. Invece di essere sparsi tra cartelle o in diversi sistemi di programmazione, e-mail o chat, i dati risiedono semplicemente in JMP Live. Dal database agli script JMP, queste tabelle sono pronte all'uso e gli scienziati possono accedervi in JMP Live.
Un'altra grande funzionalità di JMP Live è la dinamicità delle tabelle dati. Questo è uno degli aspetti più potenti di questo sistema, perché si aggiornano automaticamente man mano che nuovi dati vengono inseriti nel database. Includono filtri per materiale, un riepilogo dei calcoli e i filtri possono essere applicati in base all'ID del campione, all'ID dell'esperimento o al giorno in cui è stato eseguito l'esperimento. Sono anche formattati, quindi sono immediatamente utilizzabili per i report del team. Questo garantisce coerenza e la struttura è identica in tutti gli esperimenti. Questo è davvero utile perché gli scienziati possono semplificare i confronti tra studi.
Inoltre, un'altra cosa che abbiamo notato, anche grazie al feedback degli scienziati, è un miglioramento dell'efficienza. Gli scienziati non devono dedicare ore alla formattazione o all'esportazione manuale dei dati. Ancora una volta, tutto è tracciabile. Ogni tabella è collegata ai metadati del database. Questo è davvero positivo dal punto di vista dei dati.
Un altro aspetto che abbiamo affrontato in questo progetto qui in Takeda è stata la pipeline automatizzata delle metriche chiave, perché stiamo utilizzando la tabella dati di cui abbiamo appena parlato nella diapositiva precedente. Inizialmente, abbiamo utilizzato un componente aggiuntivo JMP come proof of concept per calcolare le metriche chiave come il recupero e l'espansione completa. Poi lo abbiamo testato in diversi esperimenti, con diverse operazioni unitarie e un diverso numero di giorni o condizioni. Volevamo assicurarci dell'accuratezza e della coerenza di questi calcoli presenti nel codice di questo script JMP.
Questi script sono stati progettati per riflettere l'archivio di progettazione degli esperimenti nel nostro sistema di raccolta dati. Ogni calcolo si allinea con la fase effettiva del processo. Per ogni esperimento, lo script calcola automaticamente le metriche chiave per ogni giorno del processo, dalla trasduzione all'espansione fino alla raccolta. Come ho detto, le metriche includono il recupero e la piega di espansione. Inoltre, avevamo parametri di autocoltura come vitalità, densità e altri parametri.
Poiché gli script sono legati al disegno dell'esperimento, i calcoli si adattavano dinamicamente al processo. Se un esperimento presentava punti di campionamento aggiuntivi o operazioni unitarie diverse, le metriche venivano calcolate senza intervento manuale. Ogni calcolo è automatizzato e collegato al database relazionale che utilizziamo. I risultati sono immediatamente disponibili nella dashboard di JMP Live. È stato molto semplice e utile per gli scienziati, perché mentre eseguivano l'esperimento, potevano visualizzare i risultati non appena queste tabelle venivano aggiornate. Inoltre, si è risparmiato tempo, senza calcoli manuali. Gli scienziati possono vedere come le metriche evolvono giorno dopo giorno e la scalabilità.
Una volta che le metriche chiave saranno calcolate automaticamente dagli script JMP che abbiamo sviluppato, il passo successivo sarà renderle fruibili per gli scienziati. Tutte queste metriche calcolate vengono ora inserite in una dashboard JMP Live. Abbiamo aggiunto ulteriori visualizzazioni, come linee di tendenza e grafici dell'andamento temporale, in modo che gli scienziati possano monitorare le metriche giorno per giorno durante l'intero processo di terapia cellulare.
Gli utenti possono esplorare le tendenze dell'intero processo. Ad esempio, vedere come cambia la vitalità cellulare durante l'espansione in più sessioni, o come si estendono le barriere di espansione tra diversi donatori. Questo offre ottimi vantaggi sia per gli scienziati che per i dati, perché fornisce informazioni in tempo reale. Le dashboard si aggiornano automaticamente man mano che vengono aggiunti nuovi dati al database, così i team hanno sempre a disposizione i risultati più recenti. Questo è davvero fantastico. Sta semplificando notevolmente il processo per gli scienziati.
Sempre in JMP Live, in questa dashboard, è possibile effettuare il confronto tra esperimenti, visualizzare tendenze, differenze e tutto in un unico posto, visualizzando insieme le diverse esecuzioni. Questa è, in sostanza, la dashboard che ha generato il ciclo tra calcoli automatizzati progettati per gli esperimenti e visualizzazione, in modo che gli scienziati possano esplorare i dati e individuare le tendenze.
L'altra dashboard nello sviluppo analitico, i dati che gestiamo sono test di citotossicità, citometria a flusso, immunofenotipizzazione. Questi dati possono essere complessi e multidimensionali. Il nostro obiettivo con questa dashboard è dare un senso a tutta questa complessità rapidamente. Ciò che abbiamo implementato con questi grafici interattivi è stato quello di consentire agli scienziati di osservare immediatamente la potenza della citotossicità e i profili immunofenotipici. Invece di avere solo tabelle statiche, possono vedere modelli, immagini e diversi servizi nei diversi esperimenti.
Un'altra funzionalità molto interessante di JMP Live è il filtro avanzato. Gli utenti possono semplicemente isolare i dati che desiderano visualizzare in base all'ID di esecuzione del metodo, al parametro ID semplice o al rapporto. Questo è fantastico perché consente di porre domande molto specifiche come: "Qual è stata la performance del donatore A nella condizione X rispetto al donatore B?". Un altro vantaggio che osserviamo è la visualizzazione dei trend tra gli esperimenti anche per il team di sviluppo analitico. Invece di analizzare una singola esecuzione isolatamente, possono confrontare gli esperimenti nel tempo.
Come ho già detto, questa dashboard offre molteplici vantaggi e la sua programmazione garantisce che trasformi dati complessi e ad alta dimensionalità in informazioni estremamente fruibili, aiutando il team e gli scienziati a rispondere rapidamente a domande critiche sull'autopotenza o sul comportamento del fenotipo.
Per quanto riguarda la qualità dei dati che abbiamo testato con questo script, è fondamentale che dati di alta qualità siano essenziali per prendere decisioni affidabili sia nella terapia cellulare che nello sviluppo analitico. Non basta semplicemente elaborare e visualizzare i dati. Vogliamo anche assicurarci che siano corretti. Le stesse tabelle che gli scienziati utilizzano per analizzare i risultati includono anche controlli di qualità. Questi controlli convalidano le metriche chiave rispetto ai valori di riferimento o agli output dei dispositivi.
Ad esempio, eseguiamo controlli di qualità dei dati per l'ID del campione. Vogliamo assicurarci che lo scienziato digiti correttamente l'ID del campione nel dispositivo, perché anche quell'ID del campione verrà inserito nella tabella del database. Vogliamo anche verificare la vitalità, assicurandoci che rientri nel 2% della media del contatore di cellule. Inoltre, per quanto riguarda il conteggio delle cellule vive, questo viene confrontato con i volumi di output per rilevare eventuali incongruenze.
Un altro aspetto che apprezziamo molto di questi controlli sulla qualità dei dati è che gli scienziati possono individuare immediatamente potenziali errori di battitura, incongruenze o dati mancanti. Possono semplicemente identificare esattamente dove sono necessarie le correzioni e richiedere la modifica al team addetto ai dati oppure, se c'è qualcosa che possono fare loro, possono apportare la modifica.
Vogliamo assicurarci che tutti i calcoli vengano eseguiti correttamente e che lo script richiami effettivamente il valore dall'ID campione corretto. È fantastico includerlo nel flusso di dati JMP Live che abbiamo, perché uno dei vantaggi è la trasparenza. Gli scienziati capiscono dove si verifica la discrepanza, invece di limitarsi a dire dove sta il problema.
Inoltre, c'è la velocità di correzione. Questi errori visibili possono essere corretti alla fonte molto rapidamente, prevenendo errori a valle. Inoltre, quando si ha una tabella con molti ID campione, ad esempio 30, ovviamente, identificare il piccolo errore di battitura inserito in laboratorio richiede più tempo e impegno.
Potrebbe trattarsi anche di un piccolo errore di battitura, come una sola lettera, e in tal caso lo script non fornirà il numero più accurato. Con questo script per la qualità dei dati, cerchiamo di identificare e correggere tutti questi dati prima di trarre conclusioni con questa dashboard. In sostanza, il nostro obiettivo era creare questi script di controllo qualità e includerli come parte del flusso di lavoro degli scienziati e non come un passaggio separato. Integrando tutti questi controlli di qualità nel lavoro di JMP, semplifichiamo l'individuazione, la comprensione e la correzione degli errori, fornendo comunque accesso in tempo reale a dati puliti e fruibili. Inoltre, si tratta di una cultura in continua evoluzione. Ci affidiamo sempre di più a tabelle di dati, nuovi sistemi e nuovi dispositivi. È sicuramente molto importante aiutare gli scienziati a gestire questa transizione verso questi nuovi modi di lavorare.
Per concludere, integrando JMP Live con il nostro database relazionale, abbiamo creato una pipeline dati automatizzata, tracciabile e scalabile. Questo riduce lo sforzo manuale, consente approfondimenti in tempo reale e accelera sia la ricerca che lo sviluppo del prodotto. Guardando al futuro, stavamo esplorando l'analisi predittiva nell'apprendimento automatico per rendere il sistema ancora più intelligente, perché dal punto di vista del dashboard descrittivo, vogliamo anche prevedere il supporto decisionale.
La visione finale è un futuro in cui i dati non solo informano gli scienziati, ma anticipano anche le loro esigenze e li guidano verso i migliori passi successivi nei loro esperimenti. Ciò che sta accadendo qui non è solo un progetto di efficienza interna, ma fa parte di un movimento più ampio che coinvolge l'industria farmaceutica, abbracciando piattaforme digitali, automazione e scienza dei dati per accelerare l'offerta di terapie ai pazienti.
Voglio ringraziare i miei colleghi di Takeda, che mi hanno affiancato in questo percorso. Grazie al team di JMP per aver fornito gli strumenti che hanno reso tutto questo possibile. Grazie a tutti per aver partecipato al Discovery Summit, per la vostra attenzione e curiosità. È stato un onore condividere la nostra storia su come l'automazione e la digitalizzazione stanno trasformando il nostro modo di fare scienza. Grazie.
