Benchling referme la boucle entre expérience scientifique, données et IA

Benchling Automation automatise l’exécution d’une expérience puis le retour des données vers le dossier scientifique. Cette continuité doit fournir aux modèles d’IA des résultats directement rattachés aux échantillons et aux expériences qui les ont produits.

Les modèles d’intelligence artificielle appliqués aux sciences de la vie dépendent autant de la qualité des données que de la capacité des laboratoires à les produire rapidement. Or, une partie du travail reste encore fragmentée entre conception expérimentale, instruments, analyses et dossiers scientifiques.

Benchling Automation veut réunir ces étapes dans une boucle continue.

Lorsqu’un scientifique conçoit une expérience, la plateforme peut en orchestrer l’exécution sur une cellule automatisée ou un instrument. Les données brutes et les résultats d’analyse sont ensuite automatiquement rapatriés vers l’entrée correspondante du cahier de laboratoire électronique.

Conserver le lien entre résultat et expérience

Les analyses peuvent être exécutées automatiquement, puis leurs résultats enregistrés dans le dossier scientifique et reliés aux échantillons à l’origine de l’expérience. Cette traçabilité est importante pour les usages de l’IA. Un résultat ne constitue pas seulement une donnée isolée : il reste associé au contexte expérimental qui a permis de le produire. Les scientifiques peuvent également écrire directement du Python dans Benchling afin d’effectuer leurs propres transformations et analyses. Graphiques, ajustements de courbes et résultats statistiques sont ensuite intégrés au dossier correspondant.

Préparer des workflows scientifiques plus autonomes

Benchling Automation complète les autres capacités d’IA de la plateforme. Benchling Inference fournit notamment des ressources GPU adaptées aux pics de charge ainsi que des intégrations avec des modèles scientifiques, tandis que Model Hub permet d’insérer des modèles prédictifs dans les workflows. Benchling AI peut de son côté rechercher dans les données, produire des rapports et prendre en charge des recherches scientifiques complexes.

L’enjeu consiste ainsi à rapprocher progressivement génération de données expérimentales et exploitation par les modèles. Plus la boucle entre instrument, analyse et dossier scientifique est automatisée, moins les équipes ont besoin d’effectuer des transferts manuels avant de pouvoir réutiliser les résultats dans leurs workflows d’IA.