Los flujos de trabajo de terapia celular y desarrollo analítico implican datos complejos que deben procesarse y visualizarse para obtener información valiosa. Nuestro equipo en Takeda Pharmaceuticals US Inc. busca desarrollar una solución optimizada y automatizada que permita a los usuarios de laboratorio visualizar y analizar eficazmente los datos de terapia celular. Al automatizar la generación de tablas de datos procesados y paneles dinámicos, nuestro sistema presenta métricas clave (como recuperación, pliegue de expansión y parámetros de cultivo celular) en un formato intuitivo. Esta solución permite a los investigadores en terapia celular y desarrollo analítico evaluar rápidamente el progreso experimental y tomar decisiones basadas en datos, acelerando así la investigación y el desarrollo de productos en este campo.
Hola a todos. Soy María Reyna Fernández. Soy investigadora en terapia celular en Takeda. Me entusiasma estar aquí en la Cumbre de Descubrimiento para compartir cómo creamos un ecosistema de datos automatizado con JMP Live para acelerar el desarrollo de la terapia celular.
En toda la industria farmacéutica, hemos observado una motivación urgente hacia la digitalización, la automatización, la integración de datos y la toma de decisiones en tiempo real. Hoy les mostraré cómo nuestro equipo ha aplicado estos principios en la terapia celular, creando un ecosistema JMP Live que transforma los datos sin procesar en información práctica y, en última instancia, acelera el proceso del laboratorio al paciente.
Antes de profundizar, algunas aclaraciones. Soy empleado de Takeda y tengo acciones de la compañía. Las opiniones que comparto hoy son mías y podrían no reflejar las de Takeda. También quiero aclarar que no tengo afiliación con ningún proveedor de las tecnologías que describiré hoy.
Dicho esto, mi perspectiva se basa en ser tanto usuario como desarrollador de estos flujos de trabajo. Compartiré algunos de los desafíos que enfrentamos y con los que trabajamos, y lo que aprendimos en el proceso.
Nuestros flujos de trabajo de terapia celular generan conjuntos de datos complejos. Tradicionalmente, estos datos se procesaban manualmente, lo que ralentizaba el análisis y aumentaba el riesgo de error. El objetivo de este proyecto era simple pero ambicioso: automatizar todo el proceso, desde la ingesta de datos sin procesar hasta la visualización. Al integrar bases de datos relacionales con JMP Desktop y JMP Live, creamos un sistema que ofrece vistas de datos limpias, validadas e interactivas, lo que permite a los científicos tomar decisiones con mayor rapidez y confianza. Esta presentación se centra en mostrarles el proceso, la compleja realidad del procesamiento manual de datos y, posteriormente, el mundo optimizado y colaborativo que construimos con JMP.
Aquí está la hoja de ruta de la charla de hoy. Les explicaré los desafíos de los flujos de trabajo manuales, la canalización de datos automatizada, cómo calculamos y visualizamos las métricas de nuestro esquema, nuestro enfoque en el control de calidad, el impacto de nuestros equipos y lo que prevemos a futuro.
Los grupos de terapia celular y desarrollo analítico generan enormes volúmenes de datos. Cada experimento puede involucrar múltiples dispositivos, múltiples puntos temporales y múltiples científicos. Históricamente, Excel era nuestra herramienta de trabajo, pero no estaba diseñado para esta escala de complejidad. Es una herramienta fantástica para muchas cosas, pero cuando se gestionan experimentos a lo largo de meses con miles de puntos de datos en múltiples equipos, Excel se vuelve frágil.
Lo que realmente necesitábamos era un sistema automatizado, para que los científicos no tuvieran que realizar el trabajo repetitivo. Trazable, para que cada punto de datos pudiera vincularse con su origen. Colaborativo, para que todos en la organización pudieran ver y usar la misma versión de la verdad. Ahí es donde JMP Live, combinado con la base de datos, se convirtió en nuestra solución.
Sobre los desafíos actuales, permítanme hacer una pausa y describir cómo era la vida antes del sistema. Imaginen a un científico realizando un experimento. Recibe datos de múltiples dispositivos. Al final, toda esa información reside en diferentes lugares y en diferentes formatos. ¿Qué sucede después? Abren Excel y empiezan a copiar y pegar, quizás a convertir unidades, renombrar columnas y recalcular manualmente el pliegue de expansión. Esto podría llevar horas, y a veces días, tan solo para llegar al punto en que puedan empezar a pensar en la ciencia.
Ahora, añadamos el factor humano. Los científicos suelen crear sus propias macros y fórmulas de Excel. Dos personas que trabajan en el mismo experimento podrían usar una lógica ligeramente distinta o actualizar versiones distintas del mismo archivo. También hay situaciones en las que circulan por correo electrónico tres versiones finales diferentes de un Excel. ¿Cuál era la correcta? Esa incertidumbre es muy estresante y arriesgada en los experimentos de terapia celular.
Este es el problema más importante. La terapia celular es un campo que avanza rápidamente y los pacientes esperan. Cada retraso en el análisis ralentiza el desarrollo de terapias que podrían marcar una diferencia real. Esto no es exclusivo de Takeda. En el sector farmacéutico, las empresas se están dando cuenta de que los flujos de trabajo manuales, basados en Excel, son un cuello de botella.
La industria ha estado experimentando una transformación digital, dejando atrás los archivos locales en las computadoras de los usuarios. Se crearon sistemas automatizados integrados que garantizaban la limpieza, estandarización y compartibilidad de los datos. En muchos sentidos, nuestro proyecto no se trataba solo de resolver un problema local, sino de alinearse con esta ola de digitalización en la industria farmacéutica. Aprovechar la automatización para reducir el error humano, desarrollar sistemas escalables entre equipos y, lo más importante, crear una cultura donde los científicos puedan confiar en los datos que ven y centrarse en la ciencia, no en los archivos de Excel.
Se puede pensar que el enfoque anterior era como intentar construir un puente a mano con herramientas que no encajaban. El nuevo enfoque es como tener una fábrica muy bien organizada donde cada pieza llega lista para ensamblar. Se rastrea cada paso. Ese es el gran avance que dimos con esta digitalización. Les mostraré cómo lo logramos en nuestro sistema experimental de recopilación de datos y el trabajo que realizamos con la conexión de dispositivos.
Para abordar esto, construimos un sistema integral de recopilación de datos experimentales. Este sistema permite a los científicos diseñar experimentos y registrar datos en tiempo real. Es muy útil porque se estructura en torno a operaciones unitarias, como la transducción, la expansión, la cosecha y la formulación. Cada experimento tiene un identificador único que lo vincula al diseño, lo que garantiza la trazabilidad.
Los dispositivos también están conectados. Por ejemplo, los contadores celulares están conectados para que los datos sin procesar se transformen y analicen automáticamente cada hora. Esto supone un ahorro de unos 45 minutos por ensayo. Si multiplicamos esto por docenas de ensayos a la semana, se ahorran días al mes. Lo que realmente quiero destacar aquí es la trazabilidad. Cada punto de datos está vinculado a una idea experimental. Siempre podemos retroceder y saber exactamente de dónde provienen y en qué condiciones.
Capturar los datos es solo el primer paso. El verdadero desafío viene después. Estamos convirtiendo los resultados sin procesar en algo que los científicos puedan analizar y utilizar. Para ello, creamos un proceso de cinco pasos. El primer paso consiste en la ingesta: extraer las tablas sin procesar directamente de nuestra base de datos, limpiarlas y, posteriormente, fusionarlas, combinando los metadatos del experimento con las lecturas del dispositivo, reestructurar y adaptar las tablas a formatos amplios o largos, según el análisis que queramos realizar. Finalmente, el paso de validación consiste en aplicar comprobaciones basadas en reglas para detectar valores faltantes o coincidencias duplicadas.
Lo que hace esto posible en la práctica es el scripting de JMP. En lugar de depender de pasos manuales o macros ocultas en archivos de Excel, desarrollamos scripts de JMP reutilizables que automatizan cada uno de estos procesos. Por ejemplo, un script que se ejecuta automáticamente para adaptar los datos al formato correcto para el panel, de modo que los científicos no tengan que manipular los archivos sin procesar. U otro script que verifica cada nuevo conjunto de datos con las reglas predefinidas. Una vez escritos los scripts, pueden reutilizarse en diferentes experimentos.
En lugar de que cada uno invente su propia forma de limpiar datos, ahora contamos con un flujo de trabajo estandarizado y automatizado, pero directamente en JMP. ¿Por qué es realmente importante este proceso automatizado de enlace terrestre en scripts de JMP? Antes, cada científico utilizaba su propia forma de limpiar y analizar datos en Excel. Esto significaba que cada científico tenía diferentes fórmulas, diferentes formatos y, a veces, diferentes resultados para el mismo experimento. Era extremadamente difícil traducir todos estos formatos incluso para el mismo experimento que seguía los mismos pasos en el laboratorio.
Con JMP Scripting, estandarizamos el proceso. Los scripts realizan el trabajo pesado en segundo plano, verificando valores, reestructurando las tablas y aplicando las mismas reglas de forma consistente en todo momento. Lo que consideramos como resultado de todo este esfuerzo es la consistencia y la trazabilidad. Además, los científicos ya no dedican horas a la limpieza manual y pueden confiar en que el resultado está listo para el análisis y es accesible. Esto es fundamental, ya que los científicos no necesitan saber programar para beneficiarse de estas canalizaciones automatizadas. Una vez implementados los scripts, cualquier usuario puede abrir el resultado de JMP y trabajar inmediatamente con datos limpios y validados.
Es realmente importante, y ya vemos este valor en nuestros equipos porque una de nuestras compañeras lo expresó muy bien. Dijo que antes dedicaba mucho tiempo a preparar los datos, y dedicaba más tiempo a prepararlos que a analizarlos. Ahora puede centrarse en la ciencia y pensar seriamente en cómo mejorar el proceso en el laboratorio. Esa es la razón principal por la que queremos automatizar todo este proceso: convierte el procesamiento de datos de un cuello de botella en un facilitador.
Una vez procesados y validados nuestros datos mediante scripts JMP, el siguiente paso es hacerlos accesibles para la organización. Utilizamos scripts JMP para consultar y extraer estas tablas directamente de la base de datos a JMP. Estos scripts gestionan las conexiones, definen los campos a extraer y garantizan la recuperación de la versión correcta de los datos.
Una vez dentro de JMP, los datos se envían automáticamente a JMP Live, lo que crea la tabla interactiva actualizada que cualquier persona con el acceso adecuado puede usar sin necesidad de ejecutar las consultas. También implementamos una jerarquía para mantener todo organizado.
Contamos con carpetas que organizamos por equipo, producto y programa. Es una gran ventaja, ya que todo está automatizado y organizado, por lo que los científicos no tienen que exportar ni cargar datos manualmente. En cuanto se introducen nuevos resultados en la base de datos, JMP Live los actualiza con tablas actualizadas. Al estar estructurada por carpetas, los usuarios acceden directamente a los datos más importantes. En lugar de que los datos estén dispersos en carpetas o en diferentes sistemas de programas, correos electrónicos y chats, simplemente residen en JMP Live. Desde la base de datos hasta los scripts de JMP, esas tablas están listas para usar y los científicos pueden acceder a ellas en JMP Live.
Otra gran capacidad de JMP Live es la dinámica de las tablas de datos. Este es uno de los aspectos más potentes del sistema, ya que se actualizan automáticamente a medida que se introducen nuevos datos en la base de datos. Incluyen filtros por material y un resumen de los cálculos, que pueden filtrarse por ID de muestra, ID de experimento o día de realización. Además, están formateados, por lo que se pueden usar al instante en los informes del equipo. Esto garantiza la coherencia y la estructura idéntica en todos los experimentos. Esto es muy útil, ya que los científicos pueden facilitar las comparaciones entre estudios.
Además, algo que también notamos, y según los comentarios de los científicos, es una mayor eficiencia. Los científicos ya no tienen que dedicar horas a formatear o exportar datos manualmente. Todo es rastreable. Cada tabla se vincula a los metadatos de la base de datos. Esto es realmente positivo desde la perspectiva de los datos.
Otro aspecto que desarrollamos en este proyecto en Takeda fue la automatización del flujo de trabajo de métricas clave, ya que usamos la tabla de datos que mencionamos en la diapositiva anterior. Inicialmente, usamos un complemento de JMP como prueba de concepto para calcular métricas clave como la recuperación y la expansión completa. Luego, lo probamos en diferentes experimentos con diferentes operaciones unitarias y distintos números de días o condiciones. Queríamos asegurar la precisión y consistencia de estos cálculos, incluidos en el código de este script de JMP.
Estos scripts se diseñaron para reflejar el diseño experimental almacenado en nuestro sistema de recopilación de datos. Cada cálculo se alinea con el paso real del proceso. Para cada experimento, el script calcula automáticamente las métricas clave para cada día del proceso, desde la transducción hasta la expansión y la cosecha. Como mencioné, las métricas incluyen la recuperación y el factor de expansión. Además, contamos con parámetros de autocultivo como la viabilidad, la densidad y otros.
Dado que los scripts están vinculados al diseño del experimento, los cálculos se adaptaban dinámicamente al proceso. Si un experimento tenía puntos de muestreo adicionales u operaciones unitarias diferentes, las métricas se calculaban sin intervención manual. Cada cálculo está automatizado y vinculado a la base de datos relacional que utilizamos. Los resultados están disponibles de inmediato en el panel de JMP Live. Fue muy sencillo y excelente para los científicos, ya que estaban ejecutando el experimento y, al actualizar las tablas, podían visualizar los resultados. Además, se ahorra tiempo al no tener que realizar cálculos manuales. Los científicos pueden ver cómo evolucionan las métricas día a día y la escalabilidad.
Una vez que los scripts de JMP que desarrollamos calculan automáticamente las métricas clave, el siguiente paso es hacerlas prácticas para los científicos. Todas estas métricas calculadas se incorporan ahora a un panel de JMP Live. Hemos añadido visualizaciones adicionales, como líneas de tendencia y gráficos de evolución temporal, para que los científicos puedan realizar un seguimiento diario de las métricas durante todo el proceso de terapia celular.
Los usuarios pueden explorar tendencias a lo largo de todo el proceso. Por ejemplo, ver cómo cambia la viabilidad celular durante la expansión en múltiples ejecuciones o cómo se multiplican las barreras de expansión entre diferentes donantes. Esto ofrece grandes ventajas tanto para los científicos como para los datos, ya que ofrece información en tiempo real. Los paneles se actualizan automáticamente a medida que se añaden nuevos datos a la base de datos, de modo que los equipos siempre consultan los resultados más recientes. Esto es realmente fantástico. Está agilizando el proceso de forma muy efectiva para los científicos.
En JMP Live, este panel permite realizar comparaciones entre experimentos, ver las tendencias, las diferencias y todo en un solo lugar, y visualizar las múltiples ejecuciones. En esencia, este es el panel que generó el ciclo de cálculos automatizados y visualización diseñados para experimentos, para que los científicos puedan explorar sus datos y detectar tendencias.
El otro panel de control en el desarrollo analítico, cuyos datos procesamos, son ensayos de citotoxicidad, citometría de flujo e inmunofenotipado. Estos datos pueden ser complejos y multidimensionales. Nuestro objetivo con este panel es comprender toda esta complejidad rápidamente. Implementamos estos gráficos interactivos para que los científicos pudieran observar la potencia de la citotoxicidad y los perfiles de inmunofenotipo de inmediato. En lugar de tener solo tablas estáticas, pueden ver patrones, imágenes y diferentes servicios en todos los experimentos.
Otra función muy interesante de JMP Live es el filtrado avanzado. Los usuarios pueden aislar los datos que desean ver por ID de ejecución del método, parámetro de ID simple o proporción. Esto es excelente porque permite formular preguntas muy específicas como: "¿Cómo se comportó el donante A en la condición X en comparación con el donante B?". Otra ventaja que observamos es la visualización de tendencias entre experimentos, también para el equipo de desarrollo analítico. En lugar de analizar una ejecución aislada, pueden comparar experimentos a lo largo del tiempo.
Como mencioné antes, este panel tiene múltiples beneficios y los scripts garantizan que este panel convierta datos complejos y de muy alta dimensión en información muy útil, lo que ayuda al equipo y a los científicos a responder rápidamente preguntas críticas sobre la autopotencia o el comportamiento del fenotipo.
En cuanto a la calidad de los datos que probamos con este script, es fundamental contar con datos de alta calidad para tomar decisiones fiables tanto en terapia celular como en desarrollo analítico. No basta con procesar y visualizar los datos. También queremos asegurarnos de que sean correctos. Las mismas tablas que los científicos utilizan para analizar los resultados también incluyen controles de calidad. Estos controles validan las métricas clave con respecto a los valores de referencia o los resultados del dispositivo.
Por ejemplo, realizamos comprobaciones de calidad de datos para el ID de la muestra. Queremos asegurarnos de que el científico lo introduzca correctamente en el dispositivo, ya que este se almacena en la tabla de la base de datos. También queremos comprobar la viabilidad, asegurándonos de que esté dentro del 2 % del promedio del contador de células. Asimismo, para el recuento de células vivas, se compara con los volúmenes de salida para detectar inconsistencias.
Otra cosa que nos gusta mucho de estos puntos de control de calidad de datos es que los científicos pueden detectar inmediatamente posibles errores tipográficos, discrepancias o datos faltantes. Pueden identificar exactamente dónde se necesitan las correcciones y solicitar el cambio al equipo de datos o, si hay algo que puedan hacer, realizarlo ellos mismos.
Queremos asegurarnos de que todos los cálculos se realicen correctamente y de que el script esté llamando al valor del ID de muestra correcto. Es excelente incluir esto en nuestro flujo de datos JMP Live, ya que una de las ventajas es la transparencia. Los científicos comprenden dónde existe la discrepancia en lugar de simplemente saber dónde está el problema.
Además, está la velocidad de corrección. Estos errores visibles se pueden corregir en origen con gran rapidez, lo que evita errores posteriores. Además, cuando se tiene una tabla con muchos ID de muestra, por ejemplo, 30, identificar el pequeño error tipográfico introducido en el laboratorio requiere más tiempo y esfuerzo.
Podría ser incluso un pequeño error tipográfico, como una sola letra, y entonces el script no arrojará la cifra más precisa. Con este script de calidad de datos, intentamos identificar y corregir todos estos datos antes de extraer conclusiones con este panel. En esencia, nuestro objetivo era crear estos scripts de control de calidad e incluirlos como parte del flujo de trabajo científico, no como un paso independiente. Al integrar todas estas comprobaciones de control de calidad en el trabajo de JMP, facilitamos la detección, comprensión y corrección de errores, a la vez que proporcionamos acceso en tiempo real a datos limpios y procesables. Además, estamos cambiando la cultura. Dependemos más de tablas de datos, nuevos sistemas y nuevos dispositivos. Sin duda, es fundamental ayudar a los científicos a navegar esta transición hacia estas nuevas formas de trabajo.
Para finalizar, al integrar JMP Live con nuestra base de datos relacional, creamos un flujo de datos automatizado, trazable y escalable. Esto reduce el esfuerzo manual, permite obtener información en tiempo real y acelera tanto la investigación como el desarrollo de productos. De cara al futuro, exploramos el análisis predictivo en el aprendizaje automático para que el sistema sea aún más inteligente, ya que, desde la perspectiva del panel descriptivo, también queremos predecir el soporte para la toma de decisiones.
La visión definitiva es un futuro donde los datos no solo informan a los científicos, sino que también anticipan sus necesidades y los guían hacia los mejores pasos a seguir en sus experimentos. Lo que está sucediendo aquí no es solo un proyecto interno de eficiencia, sino parte de un movimiento más amplio en la industria farmacéutica, que adopta plataformas digitales, automatización y ciencia de datos para acelerar la llegada de terapias a los pacientes.
Quiero agradecer a mis colegas de Takeda, quienes me acompañaron en este viaje. Gracias al equipo de JMP por proporcionar las herramientas que lo hicieron posible. Gracias a todos por su atención y curiosidad durante la Cumbre Discovery. Ha sido un honor compartir nuestra historia sobre cómo la automatización y la digitalización están transformando la forma en que hacemos ciencia. Gracias.
