Van automatische pipetten tot een pipeteerrobot die de volledige vloeistofhandelingen verzorgt, de mate waarin moderne laboratoria automatisering toepassen verschilt enorm. Hoe profiteren uiteen­lopende labs van de groeiende mogelijkheden?

‘Of je onderzoek door automatisering goedkoper en sneller is, hangt af van de hoeveelheid analyses die je wilt doen’, zegt Inez Dinkla, manager van het microbiologisch lab van Wetsus, kennisinstituut voor duurzame waterbehandelingstechnologie. Met de komst van lab­robots en geavanceerde softwarepakketten nemen de mogelijkheden tot labautomatisering toe. Toch zijn de meeste onderzoekslabs verre van geautomatiseerd.

Dat heeft verschillende oorzaken, stelt Dinkla. Volgens haar is vaak beter te begrijpen wat er gebeurt als je de handelingen eerst zelf doet; iets wat vooral belangrijk is voor een opleidingsinstituut. Daarnaast hangt de mate waarin automatisering wenselijk is ook af van het doel van het lab. ‘Voor diagnostiek en herhaalde analyses kan het helpen sneller en nauwkeurigere resultaten te bereiken met minder mankracht. Maar als je onderzoek doet, doe je vaak veel verschillende experimenten. Dan is de rol van automatisering beperkt.’

Routineanalyses

Volgens Peter Boogaard, oprichter van adviesbureau Industrial Lab Automation, is de functie van automatisering dan niet zozeer minder, maar vooral anders. ‘Als analyses niet reproduceerbaar zijn, kun je automatisering gebruiken voor datamining om beschikbare informatie te hergebruiken.’

Toch ziet ook Dinkla voordelen: ‘Automa­tiseren kan de belasting op onderzoekers verminderen. Zo kun je voorkomen dat mensen last krijgen van klachten als RSI wanneer ze herhaalde handelingen uitvoeren.’ Bovendien kunnen robots vaak nauwkeuriger werken. ‘Hoe mensen werken verschilt altijd een beetje, dat heb je bij robots niet. Dat maakt het preciezer en beter herhaalbaar.’

De laboratoriumactiviteiten van Wetsus zijn onderverdeeld in drie afdelingen: het analytisch lab, de experimenteerhal en het microbiologisch lab. Dinkla: ‘De mate van automatisering verschilt per lab. In het microbieel lab werken we veel met onderzoeksvragen waarvoor je steeds een andere techniek nodig hebt. Daar is op dit moment de hoogste mate van automatisering dat we 96 qPCR-samples in een keer kunnen analyseren. In het analytisch lab doen we vooral routineanalyses, ondersteund door analisten. Dit is gedeeltelijk geautomatiseerd, we hebben hier autosamplers voor bijvoorbeeld ionenchromatografie en gaschromatografie-massaspectrometrie.’ De samplevoorbereiding gebeurt wel handmatig.

In een routinelab gaat het weer anders, weet Dinkla. ‘Ik werkte eerder voor Life­Lines, een groot bevolkingsonderzoek in Noord-Nederland. Hieraan doen 165.000 mensen mee, die vragenlijsten invullen en urine- en bloedsamples afstaan. Er komen daar zo’n tweehonderd samples per dag binnen. Daar kun je heel wat analisten op zetten, of twee robots. Dat is misschien slecht voor de werkgelegenheid, maar maakt het onderzoek wel efficiënter.’

Gespecialiseerde laboratoria lijken dus vooralsnog het meeste voordeel te halen uit automatisering. Boogaard adviseert dan ook vooral bedrijven met middelgrote tot grote laboratoria als Danone en Solvay, maar hij merkt wel dat die steeds vaker samenwerken met universiteiten. ‘De keten van R&D, kwaliteitscontrole en manufacturing wordt steeds hechter.’

Snel ontrafelen

Een ander gespecialiseerd lab is het Next Generation Sequencing-lab (NGS) van Wageningen University and Research, dat net als Wetsus de samplevoorbereiding nog vooral handmatig doet, maar de analyses zelf sterk automatiseert. ‘Met de huidige ultrahigh-throughput-methodes kun je miljarden stukjes DNA tegelijkertijd analyseren’, vertelt onderzoeker Elio Schijlen. ‘Zo kun je efficiënt een heel genoom ontrafelen.’

‘Automatisering moet passen bij het doel van het lab’

Schijlen zelf richt zich met name op DNA van planten. ‘Planten zijn erg divers in de samenstelling van hun genoom. Afhanke­lijk van de soort, kan het genoom tien keer zo groot of klein zijn als dat van de mens. Van veel planten is geen referentiegenoom beschikbaar zoals we dat bij mensen wel hebben.’ Dit maakt het extra ingewikkeld om de sequenties en de verschillen daarin per variëteit te bepalen. Schijlen: ‘Als je weet welk gen je zoekt, heb je niet altijd een referentiegenoom nodig, maar anders is het beter dat eerst te bepalen.’

Vanwege de grote variatie in samples gaat de samplevoorbereiding vaak nog handmatig. Denk hierbij aan DNA opwerken en amplificeren, en adapters toevoegen, die nodig zijn om te sequencen. Vervolgens zijn er diverse geavanceerde instrumenten beschikbaar voor het sequencen zelf. ‘De methode die een apparaat gebruikt verschilt erg per fabrikant’, vertelt Schijlen. ‘Welke je het best kunt gebruiken, hangt af van de hoeveelheid DNA-moleculen die je in parallel wilt analyseren en van de lengte daarvan. Vaak geeft een combinatie van verschillende methodes het beste resultaat.’ De apparatuur is wel zo ingewikkeld en de analyses zijn dusdanig kostbaar, dat er per technologie een of meerdere specialisten nodig zijn die een training hebben gevolgd van de producent.

Data-analyse lijkt voor veel laboratoria het grootste obstakel. ‘Je ziet vaak dat instrumentenleveranciers uitstekende hardware maken, maar dat de applicatiesoftware nog wordt onderbelicht’, zegt Boogaard. Dinkla vult aan: ‘Door automatisering kun je zo veel meten, dat je makkelijk kunt verzanden in de data. De uitdaging wordt dan hoe je de data verwerkt en wat je ermee kunt.’

Ook in NGS is data-analyse op dit moment duidelijk de beperkende factor. Na het in parallel analyseren van vele stukjes DNA volgt namelijk een gecompliceerde bioinformatica-analyse die de stukjes sequentie in elkaar puzzelt tot een genoom. Schijlen: ‘Dit gebeurt met gespecialiseerde softwarepakketten waarvoor een grote rekencapaciteit nodig is.’ Hoe snel dat gaat hangt af van de grootte en complexiteit van het genoom en het gevraagde detailniveau. ‘De moeilijkste stukken zijn die met veel herhalingen. Net als bij een legpuzzel waarin de stukjes blauwe lucht het lastigst te plaatsen zijn.’

Standaardisatie

Kansen liggen volgens Schijlen vooral in het verbeteren van de al geautomatiseerde analyseprocessen. ‘Wat erg helpt is dat apparaten met steeds grotere stukken DNA kunnen werken. Dat maakt de uiteindelijke analyse veel makkelijker.’ Ook verwacht hij dat de kosten verder omlaag zullen gaan. ‘Op het moment is er een soort wedloop tussen producenten gaande, wie het eerste een humaan genoom voor $ 1.000 kan sequencen. De firma Illumina claimt dit al te hebben bereikt, maar dat is een beetje misleidend omdat er nog veel kosten niet zijn meegerekend.’

De onderzoeksstrategie bepalen, waaronder die van data-analyse, kan behoorlijk ingewikkeld zijn als je verschillende apparaten combineert en wilt automatiseren, aldus Schijlen. ‘Softwarepakketten zijn vaak specifiek voor data verkregen met een bepaalde technologie.’ Boogaard voegt daaraan toe dat het vooral door een gebrek aan standaardisatie lastig is zulke softwarepakketten te combineren. ‘Het is belangrijk dat de industrie, de wetenschap en de leveranciers samenwerken, want aan het eind van de rit moet het goedkoper, beter, sneller en makkelijker.’