Sapio Sciences, la science consciente™ La plateforme informatique de laboratoire d'IA a annoncé aujourd'hui les résultats d'une nouvelle recherche examinant le sentiment des scientifiques à l'égard des cahiers de laboratoire électroniques (ELN) et des outils d'IA dans les environnements de laboratoire modernes. L’étude révèle une frustration généralisée à l’égard des logiciels de laboratoire existants, conduisant à des expériences répétées, à une utilisation inefficace des données et à un recours croissant à l’IA fantôme non autorisée. 150 scientifiques ont été interrogés dans des laboratoires américains et européens de R&D biopharmaceutique, d'organismes de recherche sous contrat, de diagnostics cliniques et de fabrication pharmaceutique.
Malgré les investissements importants réalisés dans la technologie des laboratoires numériques, les ELN ne parviennent souvent pas à soutenir un travail scientifique efficace. Seuls 62 % des scientifiques déclarent que leur ELN leur permet de travailler efficacement, et seulement 5 % déclarent être capables d'analyser les résultats expérimentaux sans l'aide d'un spécialiste.
De plus, la duplication est un problème persistant. Près des deux tiers des scientifiques, soit 65 %, déclarent avoir dû répéter des expériences parce que les résultats antérieurs étaient difficiles à trouver ou à réutiliser, ce qui entraînait des coûts et des retards évitables au sein des équipes de laboratoire.
La science est devenue trop grande pour les ELN de deuxième génération
L'enquête met en évidence plusieurs faiblesses des ELN d'aujourd'hui :
- Rigidité du flux de travail : seuls 7 % des scientifiques déclarent que leur ELN peut être adapté à de nouveaux tests ou flux de travail expérimentaux sans l'aide d'un spécialiste, ce qui limite la capacité des scientifiques à réagir rapidement à mesure que la recherche évolue. Par ailleurs, seulement 5 % des scientifiques déclarent pouvoir analyser des données expérimentales sans soutien supplémentaire.
- Problèmes d'utilisabilité : 56 % des scientifiques déclarent que leur ELN est trop complexe et les ralentit.
- Mouvement manuel des données : 51 % passent trop de temps à importer et exporter des données, ce chiffre atteignant 81 % parmi les scientifiques basés aux États-Unis et 72 % dans l'industrie pharmaceutique.
- Difficultés de configuration : 71 % des scientifiques déclarent que les ELN sont difficiles à configurer ou à adapter, avec une frustration supérieure à la moyenne dans la fabrication pharmaceutique à 84 %.
Mike Hampton, directeur commercial de Sapio Sciences, a déclaré :
« L'enquête montre clairement une inadéquation croissante entre la pratique scientifique moderne et les capacités des ELN traditionnels. La plupart des ELN ont été conçus comme des outils axés sur la documentation des expériences, sans soutenir activement les scientifiques ni guider les prochaines étapes. Aujourd'hui, les scientifiques travaillent avec des données de plus en plus complexes et sont censés passer des résultats aux décisions plus rapidement que jamais, mais de nombreux ELN fonctionnent toujours comme des classeurs glorifiés. »
« Lorsque les scientifiques ne peuvent pas analyser les données ou s'appuyer facilement sur des expériences antérieures sans soutien supplémentaire, la frustration se transforme en coût réel. La duplication inutile des expériences gaspille des réactifs, du temps consacré aux instruments et du travail spécialisé. Dans le même temps, cela limite la curiosité et ralentit le rythme des découvertes dans la R&D biopharmaceutique. »
Les limitations de l’ELN alimentent l’utilisation de l’IA fantôme
La recherche montre également comment ces frustrations remodèlent les comportements en laboratoire. Près de la moitié des scientifiques interrogés, soit 45 %, déclarent utiliser des outils publics d'IA générative via des comptes personnels pour soutenir leur travail, malgré les risques de sécurité, de propriété intellectuelle et de conformité associés à l'IA fantôme.
Les scientifiques ne se tournent pas vers l’IA publique parce qu’ils veulent contourner la gouvernance. Ils le font parce que les outils de laboratoire existants ne peuvent pas les aider à analyser les résultats ou à déterminer efficacement les prochaines étapes. Lorsque la capacité de l’IA n’est pas disponible dans les environnements gouvernés, les gens la trouveront ailleurs, même s’ils en comprennent les risques.
Sean Blake, directeur de l'information, Sapio Sciences
Les scientifiques veulent une IA qui accélère la science, et pas seulement la documente
Lorsqu'on leur a demandé ce qu'ils attendaient de la prochaine génération d'ELN, les scientifiques ont systématiquement mis l'accent sur l'interaction, l'orientation et l'interprétation plutôt que sur la seule documentation des expériences. Quatre-vingt-quinze pour cent souhaitent des interfaces conversationnelles basées sur du texte, tandis que 78 % souhaitent une interaction vocale. Presque tous les répondants, soit 96 %, affirment que les futurs ELN doivent aider à interpréter les données, et pas simplement les capturer.
Les scientifiques souhaitent également des capacités d’IA intégrées et spécifiques à un domaine, la demande variant selon les disciplines :
- Prédiction de rétrosynthèse, de toxicité et de solubilité : 83 % des laboratoires de diagnostic et 74 % de la R&D biopharmaceutique
- Simulations de liaisons moléculaires : 71 % de la R&D biopharmaceutique
- Optimisation des séquences génétiques : 65 % des CRO et 63 % des laboratoires de diagnostic
Rob Brown, chef du bureau scientifique de Sapio Sciences, a déclaré :
« Notre recherche montre clairement que les ELN de deuxième génération ont atteint les limites de ce que les scientifiques attendent d'eux. Alors que nous façonnons la prochaine génération de logiciels de laboratoire chez Sapio, l'accent est mis sur les méthodes d'analyse et de conception scientifiques basées sur l'IA qui permettent aux scientifiques de garder le contrôle tout en soutenant activement les flux de travail, l'analyse et les décisions de la prochaine étape. »
Les résultats suggèrent que les scientifiques ne cherchent pas à abandonner le contrôle mais à travailler avec des outils d’IA qui soutiennent activement le raisonnement et l’interprétation dans des environnements de laboratoire gouvernés.
