Niet achteraf, maar tijdens zeer gevoelige experimenten al weten of de kwaliteit goed is. De Vlaamse Kris Laukens ontwikkelde kwaliteitssoftware die op tijd waarschuwt.
‘Massaspectrometrie (MS) is zo gevoelig dat honderden variabelen de kans van slagen van een experiment beïnvloeden’, stelt hoogleraar Kris Laukens van de advanced database research and modelling groep van de Universiteit Antwerpen. ‘Dat is zo complex dat onderzoekers dit onmogelijk in de gaten kunnen houden.’ Laukens kaart een probleem aan waar veel onderzoekers in het lab tegenaan lopen. Onderzoeksapparatuur wordt steeds gevoeliger en het proces om tot resultaten te komen steeds complexer. ‘Onderzoekers willen tot de bodem gaan om te weten wat er in een monster zit en dan is kwaliteitscontrole van variabelen, zowel van de omgeving als van de apparatuur, noodzakelijk.’
‘Onderzoekers kunnen straks steeds meer proactief handelen’
Volgens Laukens kan die controle veel beter. ‘Vaak kijken onderzoekers pas achteraf of de kwaliteit van het experiment goed genoeg is. Maar dan is het al te laat. Het is veel beter om in te kunnen grijpen, nog voor een experiment mislukt.’ Daarvoor is het nodig om routinematig kwaliteitsmonsters én analysesoftware te gebruiken. Tot op heden ontbraken gebruiksvriendelijke softwaretools, die over langere tijd en op basis van meerdere experimenten laten zien wat er mis dreigt te gaan.
Meer controle
Laukens en zijn collega’s ontwikkelden Protein Spector, een toolkit die veel meer controleert dan onderzoekers tot nu toe gewend zijn; van het effect van een opengaande deur tot aan een piepkleine verontreiniging tussen de kolom en de ionenbron van een massaspectrometer. De software houdt nauwkeurig bij of variabelen niet buiten hun marges terechtkomen. ‘De onderzoeker kan straks op een dashboard zien of er iets fout gaat lopen binnenin bijvoorbeeld de massaspectrometer of met de omgevingsvariabelen. Dan kan hij besluiten of hij een zeldzaam monster op dat moment wel of niet kan meten. Onderzoekers kunnen straks steeds meer proactief handelen.’
Continu leerproces
Hoe de software voorspelt dat een experiment gaat mislukken, gebeurt met zogenoemde unsupervised datamining. Die methode kijkt in alle verzamelde gegevens of bepaalde combinaties zodanig afwijken, dat ze de resultaten beïnvloeden. Door de tijd heen kan de software de uitschieters steeds nauwkeuriger aanwijzen. Laukens: ‘De software leert telkens bij tijdens het opbouwen van een historische database van je eigen laboratorium.’ De onderzoeker kan bovendien zelf gebeurtenissen invoeren, zoals gepland onderhoud of een verandering in omgevingscondities. De volgende keer kan de software het effect daarvan voorspellen en krijgt de onderzoeker vooraf advies.
Variabiliteit beperken blijft een uitdaging, maar heeft een duidelijk hoger doel. Zeer gevoelige experimenten worden interessanter voor bijvoorbeeld de farmaceutische industrie en ziekenhuizen. Laukens wil de toolkit dan ook steeds breder inzetbaar maken. ‘We hebben inmiddels in andere MS-labs proeven draaien. Daarmee gaan we kijken wat het effect is van onze methode.’ De volgende stap is om nieuwe toepassingen te vinden, zoals bij andere disciplines waar MS een rol speelt, waar onderzoekers ook met complexe data werken. Laukens richt zich als eerste op metabolomics en medicijnontwikkeling. ‘Vervolgens denken we bijvoorbeeld voor ziekenhuizen aan diagnostische tools op basis van MS. Dat kost wel tijd, want voor elke situatie en laboratorium moet je de software doorontwikkelen.’
Nog geen opmerkingen