Labautomatisering: als robots het lab overnemen
Labautomatisering is het gebruik van robots, sensoren en software om taken uit te voeren die onderzoekers vroeger met de hand deden: vloeistoffen overpipetteren, monsters mengen, reageerbuizen verplaatsen, metingen doen en resultaten wegschrijven. Denk aan een lopende band in een fabriek, maar dan voor scheikundige of biologische experimenten in plaats van auto-onderdelen. In plaats van een technicus die de hele dag druppeltjes vloeistof overpipetteert, doet een robotarm dat nauwkeuriger, sneller en zonder pauzes.
De term omvat een breed spectrum, van simpele apparaten die één taak overnemen (zoals een pipetteerrobot) tot volledig geautomatiseerde laboratoria waarin een computer zelf beslist welk volgend experiment het meest zinvol is. Dat laatste wordt ook wel een 'self-driving lab' genoemd, een zelfsturend laboratorium, naar analogie van de zelfrijdende auto: het systeem verzamelt data, trekt conclusies en past zijn eigen koers aan zonder dat een mens elke stap hoeft goed te keuren.
Wat is het precies?
De basis van labautomatisering bestaat uit machines die fysieke handelingen overnemen. Een 'liquid handler' (vloeistofverwerker) is bijvoorbeeld een robotarm met naaldjes die exact gemeten hoeveelheden vloeistof kan verplaatsen tussen plaatjes met tientallen tot duizenden kleine putjes, de zogeheten wellplates. Andere machines wegen poeders af, verwarmen of koelen monsters, of schudden mengsels.
Naast deze uitvoerende apparaten is er meetapparatuur die automatisch resultaten registreert: plaatlezers die kleurveranderingen of licht meten, microscopen die zelf foto's maken, of spectrometers die de chemische samenstelling van een stof bepalen. Al die metingen komen terecht in een LIMS, een 'laboratory information management system' oftewel laboratorium-informatiesysteem. Dit is software die precies bijhoudt welk monster waar vandaan komt, wat ermee is gebeurd en wat de resultaten waren, zodat niets kwijtraakt en experimenten achteraf te reconstrueren zijn.
In de meest geavanceerde opstellingen wordt dit proces een gesloten lus, in het Engels een 'closed loop'. Een computer analyseert de binnenkomende meetresultaten, gebruikt daarvoor soms kunstmatige intelligentie (AI) om patronen te herkennen, en beslist op basis daarvan welk experiment het systeem hierna moet uitvoeren, allemaal zonder dat een onderzoeker tussentijds ingrijpt. Zo ontstaat een cyclus van meten, leren en opnieuw testen die dag en nacht kan doordraaien.
Wat wil men ermee bereiken?
Het belangrijkste doel is reproduceerbaarheid: hetzelfde experiment moet, uitgevoerd door verschillende mensen op verschillende dagen, dezelfde uitkomst geven. Menselijke handelingen variëren altijd een beetje, een robot pipetteert elke keer op precies dezelfde manier. Dat maakt onderzoek betrouwbaarder en makkelijker te controleren.
Daarnaast draait het om snelheid en schaal. Waar een mens hooguit enkele tientallen experimenten per dag kan uitvoeren, kan een geautomatiseerd systeem duizenden combinaties van stoffen of omstandigheden testen. Dit heet 'high-throughput screening', ofwel doorzoeken met hoge doorvoersnelheid, en wordt veel gebruikt om bijvoorbeeld te zoeken naar veelbelovende medicijnmoleculen of nieuwe materialen.
Automatisering maakt het ook mogelijk om gevaarlijke of vervelende taken over te laten aan machines, wat de veiligheid van laboranten ten goede komt, en om laboratoria 24 uur per dag te laten draaien zonder personeel 's nachts aan het werk te houden. Ten slotte hopen onderzoekers dat het wetenschappers tijd bespaart voor het bedenken van hypotheses en het interpreteren van resultaten, in plaats van uren te besteden aan herhalend handwerk.
Voorbeelden uit de praktijk
Een vroeg en veelgeciteerd voorbeeld is 'Adam', een systeem gebouwd door onderzoekers verbonden aan Aberystwyth University en de University of Cambridge onder leiding van Ross King. Adam werd in 2009 gepresenteerd als een van de eerste machines die zelfstandig een nieuwe wetenschappelijke ontdekking deed, over de functie van bepaalde genen in gist. De opvolger, 'Eve', richtte zich op geneesmiddelenonderzoek en identificeerde rond het midden van de jaren 2010 dat triclosan, een stof die destijds in sommige tandpasta's zat, mogelijk werkzaam is tegen de parasiet die malaria veroorzaakt.
Recenter kreeg het 'A-Lab' van het Lawrence Berkeley National Laboratory (LBNL) in de Verenigde Staten veel aandacht. Dit systeem combineert robotica met AI om automatisch nieuwe anorganische materialen te synthetiseren en te testen, en de onderzoekers publiceerden in 2023 in het tijdschrift Nature dat het lab binnen enkele weken tientallen nieuwe verbindingen had weten te maken uit een lijst van beoogde kandidaten. Exacte cijfers over aantallen en tijdsduur variëren per bron, dus wie de precieze getallen wil citeren doet er goed aan het oorspronkelijke Nature-artikel te raadplegen.
Buiten de academische wereld biedt het Amerikaanse bedrijf Emerald Cloud Lab, opgericht rond 2010 in San Francisco, een 'cloud lab' aan: wetenschappers sturen via internet instructies naar een fysiek laboratorium vol robots, die de experimenten uitvoeren en de resultaten terugsturen, zonder dat de onderzoeker zelf ter plaatse hoeft te zijn. Het Boston-gevestigde Ginkgo Bioworks gebruikt op vergelijkbare wijze grootschalige geautomatiseerde 'foundries' (gieterijen) om micro-organismen te ontwerpen, bouwen en testen voor toepassingen in onder meer de biotechnologie.
Tot slot is er het goedkopere en toegankelijkere spoor: bedrijven als Opentrons maken relatief betaalbare, open-source pipetteerrobots die ook kleinere laboratoria zich kunnen veroorloven. Dergelijke apparaten werden tijdens de coronapandemie ingezet om testcapaciteit voor PCR-tests sneller op te schalen.
Hoe ver is de techniek?
Basale labautomatisering, zoals pipetteerrobots en plaatlezers, is al decennialang gangbaar in de farmaceutische industrie en grote onderzoekslaboratoria; dit is volwassen, betrouwbare technologie. De meer ambitieuze 'self-driving labs', waarin AI zelfstandig experimenten ontwerpt en uitvoert zonder tussenkomst van een mens, staan nog veel vroeger in hun ontwikkeling en zijn vooral te vinden in onderzoeksprojecten, niet in routinematig gebruik.
Belangrijke obstakels zijn onder meer de hoge aanschafkosten van geavanceerde robotica, gebrek aan standaardisatie tussen apparatuur van verschillende fabrikanten waardoor systemen lastig te koppelen zijn, en de moeite die het kost om bestaande, oudere labapparatuur te integreren met nieuwe automatisering. Ook blijft menselijk toezicht vaak nodig: robots kunnen niet altijd goed inschatten of een onverwacht resultaat op een fout wijst of op een interessante ontdekking, en de veiligheid rond gevaarlijke stoffen vereist zorgvuldige extra beveiliging. Reproduceerbaarheid tussen verschillende labs blijft daarnaast lastig, omdat elk geautomatiseerd systeem net iets anders gekalibreerd kan zijn.
Wie werken eraan?
Op het gebied van apparatuur zijn Zwitserse bedrijven als Hamilton Company en Tecan al lang gevestigde namen, naast Amerikaanse spelers zoals Beckman Coulter, Thermo Fisher Scientific en het eerder genoemde, meer toegankelijke Opentrons. Cloud-laboratoria en geautomatiseerde onderzoeksdiensten worden onder meer aangeboden door Emerald Cloud Lab en Ginkgo Bioworks.
Aan de onderzoekskant lopen instituten als het Lawrence Berkeley National Laboratory en het Massachusetts Institute of Technology (MIT) in de Verenigde Staten voorop, samen met de University of Liverpool in het Verenigd Koninkrijk, waar chemicus Andrew Cooper onder meer werkt aan mobiele robotchemici. In Canada coördineert het Acceleration Consortium, verbonden aan de University of Toronto, een internationaal samenwerkingsverband gericht op zelfsturende laboratoria voor materiaalontdekking. Ook China investeert de laatste jaren fors in geautomatiseerde biofoundries en onderzoeksrobotica, als onderdeel van bredere ambities op het gebied van AI en biotechnologie.