I workflow scientifici moderni producono dati su scala enorme: una singola organizzazione può far girare centinaia di strumenti tra laboratori e reti di partner, e nella maggior parte dei casi quei dati restano in silos, scollegati dalle decisioni che dovrebbero informare. Il problema, sostiene Databricks, non è il volume ma il contesto: quando la lineage e il contesto sperimentale si perdono nel passaggio tra strumenti, analisi e decisioni, gli scienziati spendono tempo a ricostruire o ripetere risultati. E i modelli AI addestrati su dati frammentati e non armonizzati producono output di cui non ci si può sempre fidare.
Cosa fanno insieme Luma e Databricks
Luma è la piattaforma di scientific intelligence di Dotmatics: cattura in modo continuo e automatico gli output degli strumenti senza interrompere i workflow esistenti, portandoli in tempo reale in un record scientifico strutturato e armonizzato, capace di gestire miliardi di data point al giorno. È quel passaggio di armonizzazione a rendere possibile tutto il resto: gli output grezzi diventano dati strutturati e FAIR-compliant (Findable, Accessible, Interoperable, Reusable), pronti per analisi, modeling e AI nel momento in cui arrivano. Databricks è invece la fondamenta su cui Luma è costruita e gira nativamente: fornisce lo storage governato e scalabile, permette ai dati scientifici di stare accanto a sistemi finance, procurement e BI, e con Delta Sharing abilita lo scambio con partner esterni come CRO e mondo accademico senza compromettere la governance.
Un esempio: la cromatografia
Il workflow tipico di cromatografia è pieno di attriti operativi: SOP che variano tra team e sedi, strumenti di vendor diversi con i loro formati proprietari, risultati esportati e reincollati manualmente in un electronic lab notebook, con perdita di metadati, lineage e contesto. Luma agisce da layer di orchestrazione che preserva il digital thread lungo tutto il ciclo, dalla progettazione dell’esperimento al reporting. Qui si inserisce Analytical Studio di Virscidian (acquisita da Dotmatics nel 2024), che automatizza il processing di dati LC/MS e workflow di purificazione riducendo a minuti ciò che manualmente richiederebbe settimane. La cromatografia è solo un esempio di un pattern più ampio: lo stesso problema di contesto perso si ripresenta con spettrometria di massa, sequencing, imaging e altro.
Il caso concreto
Una grande azienda farmaceutica globale gestiva oltre 5.000 strumenti nel proprio campus, ciascuno a generare dati in isolamento. La fonte più frammentata era la flotta LC/MS, con strumenti di quattro vendor diversi ognuno con il proprio sistema proprietario. L’azienda ha implementato Luma partendo da circa 1.500 strumenti, collegando gli output dei quattro sistemi in un record armonizzato e FAIR-aligned senza interrompere un solo workflow. Per la prima volta è stato possibile confrontare le performance tra vendor, eseguire analisi di purezza da una vista unificata e usare i dati di utilizzo per pianificare investimenti e contratti di servizio, con un percorso chiaro per collegare tutti gli oltre 5.000 strumenti.
- La data foundation (cattura continua, armonizzazione, governance) è ciò che rende affidabile l’AI in ambito scientifico.
- Luma porta contesto scientifico e connettività agli strumenti, Databricks lo storage governato e le tool di AI a scala enterprise.
- Il modello vincente è partire dove il dolore sui dati è più acuto, dimostrare valore in fretta e poi espandere.
Fonte: From experiment to insight: how Dotmatics Luma and Databricks make AI-ready science a reality — https://www.databricks.com/blog/experiment-insight-how-dotmatics-luma-and-databricks-make-ai-ready-science-reality
Hai qualcosa da aggiungere? Unisciti alla discussione.