自律ラボ設計+AI統合
ハイスループットスクリーニングがカバーする範囲と、化学空間が含む範囲との隔たりは、わずかなものではありません。それは天文学的です。自動運転ラボは、ランダム探索を戦略的でAI主導の実験に置き換えることで、その隔たりを埋めます。当社は、既存のラボを自律的な発見システムへと変える最適化エンジン、計測機器統合、クローズドループアーキテクチャを構築します。
10〜50倍
目標到達までの実験回数を削減
ベイズ最適化 vs ランダムスクリーニング
最大90%
CIBOによる試薬コスト削減
Cost-Informed BO、ChemRxiv 2024
24時間365日
設備稼働率 vs 人員配置時の30〜40%
自律運用ベンチマーク
トーマス・エジソンが数千本の炭素フィラメントを試験するために用いた手法は、理論が実験に遅れをとっていた時代の産物でした。2026年になっても、R&Dラボはその変種を依然として実行しており、経済性は改善するどころか悪化しています。
リピンスキーの法則に従う薬理活性のある低分子の数は、10と推定されています60。大規模なHTSキャンペーンは10をテストします6 の化合物。これは空間の0.000000000000000000000000000000000000000000000000000001%をカバーします。複雑なバイオ医薬品や多元素合金にまで拡張すると、空間は10に近づき100、これは観測可能な宇宙の原子の数(1080)を上回ります。
HTSは、答えが事前に合成されたライブラリの中に存在することを前提としています。新規の材料クラスでは、最適な組成は地球上のどのライブラリにもまず存在しません。あなたは、太平洋ほどの大きさの干し草の山の中の一本の針を、ティースプーンを使って探しているのです。
資産あたりの創薬コストは20億ドル超に達しています(Deloitte、2024年)。製薬R&Dの臨床試験での失敗率は90%前後で推移しています。製薬IRRは2022年に12年ぶりの低水準である1.2%に達した後、主にGLP-1の例外的成功を背景に2024年には5.9%まで回復しました。これがエルームの法則です:支出の増加にもかかわらずR&Dの生産性が低下していくのです。
材料科学では、コストは異なる方法で測定されますが、パターンは同じです。電池研究者は、理論上は高いエネルギー密度を提供するものの熱力学的安定性の制約に違反する材料を追求します。合成前のシミュレーションがなければ、こうした行き止まりは、数か月のラボ時間と数十万ドルの試薬コストを費やした後にようやく発見されるのです。
中規模の材料ラボが、次世代太陽電池向けに特定のバンドギャップと安定性を備えた鉛フリーのハロゲン化物ペロブスカイトを探索しています。組成空間には5つのカチオン選択肢、8つのアニオンの組み合わせ、連続的な化学量論比が含まれ、おおよそ10の8 通りの実用可能な組成が得られます。
従来のアプローチ:ポスドクが文献の直感と指導教官の提案に基づき、週に3〜5組成を合成します。1合成あたり150ドル(前駆体、基板準備、特性評価)で、1年かけて520組成を試験するのに78,000ドルを費やします。これは空間の0.00052%です。見つかった最良の候補が、大域的最適解の近くにあるとは限りません。
Materials Projectからの50,000のDFT計算済みペロブスカイト構造で事前学習されたGNN代理モデルを用いたベイズ最適化では、システムは80〜120回の的を絞った実験で組成空間の上位0.1%を特定します。総試薬コスト:12,000〜18,000ドル。代理モデルはバンドギャップと生成エネルギーをミリ秒単位で予測します。獲得関数(期待改善量)は、予測性能が高いか、調査を正当化するのに十分なほどモデルの不確実性が大きい組成のみを選択します。漸進的または無用なデータしか得られなかったであろう残りの400回超の実験は、一度も実行されません。
自動運転ラボの分野は2024年以降、急速に統合が進みました。進む道を選ぶ前に、各選択肢が実際に何を提供し、どこで力不足なのかを理解しておくべきです。
| 選択肢 | 得られるもの | 標準的なコスト | 正直なギャップ |
|---|---|---|---|
| Radical AI | 完全自律ラボ。1日25種以上の合金。数十億の組成をスクリーニング。Brooklyn Navy Yard施設(2026年1月)。シードプラスで5,500万ドル、シリーズAで6,000万ドル。 | パートナーシップ/契約 | 合金特化型。あなたのデータは彼らのスタック上に存在します。最適化ロジックは彼らのブラックボックスであり、あなたが変更できるものではありません。冶金には有効ですが、製薬やMOFにはそれほど向きません。 |
| Emerald Cloud Lab | CMUに200台以上の自動化計測機器。サンプルを送れば結果が得られます。GxP対応のエンタープライズ層を利用可能。 | サブスクリプション(年間5万〜50万ドル超) | リモート専用。計測機器に触れることはできません。サポート対象のアッセイカタログに限定されます。専有的な化学データが自社の敷地外に出ます。 |
| Atinary | MLオプティマイザーを備えたSDLソフトウェアプラットフォーム。DMTALサイクル。ボストンで「Scientific Discovery Factory」を立ち上げ(2025年)。 | SaaS+統合 | 特定の計測機器タイプをサポート。UIを超えて最適化ロジックをカスタマイズするには、彼らのエンジニアリングが必要です。成長中ですが、エンタープライズ規模ではまだ実戦で鍛えられていません。 |
| Kebotix | 材料探索向けのエンタープライズAI。クラウド+ML+物理モデリング+自動化。 | エンタープライズ契約 | ケンブリッジ拠点、2017年設立。新規参入企業より公開された検証実績が少ない。プラットフォーム型のアプローチは、あなたのワークフローが彼らに合わせる形になり、その逆ではないことを意味します。 |
| Big 4/大手SI | デジタルトランスフォーメーションのコンサルティング。ラボ戦略、ベンダー選定、変更管理。大規模チーム、知名度のある名前。 | 50万〜500万ドル超の契約 | 彼らはプラットフォームを導入しますが、最適化エンジンを構築するわけではありません。社内にBO/GNNの専門知識がありません。成果物は戦略資料とベンダー統合であり、動作するクローズドループではありません。本来3〜4か月で済むはずの作業に、契約は6〜18か月かかります。 |
| 社内チーム | 完全な制御。独自のBOエンジンを構築し、独自のSiLA 2ドライバーを書き、独自のGNNを学習させます。 | MLエンジニア2〜3名+自動化エンジニア1〜2名(年間80万〜150万ドル) | ガウス過程、化学空間、SiLA 2をも理解するMLエンジニアの採用は極めて困難です。実験上の価値が出るまでに6〜12か月の立ち上げ期間がかかります。逼迫した労働市場での離職率の高さ。 |
| Veriprajna | カスタム構築のBOエンジン、GNN代理モデル、SiLA 2計測機器ドライバー、GxPコンプライアンス層。すべてのコードとモデルはあなたが所有します。既存のハードウェアと統合します。 | 15万〜60万ドルのプロジェクト | ホスティング型のラボ施設はありません。事前構築された計測機器ライブラリもありません。すべての統合はカスタムエンジニアリングです。プラットフォームで十分な標準化されたアッセイには、より時間がかかります。 |
正しい選択は、あなたの計測機器構成、データの機密性、規制要件によって決まります。IP上の機密性がない一般的な計測機器での標準化されたアッセイには、プラットフォームが有効な場合があります。レガシー機器、専有データ、GxPの制約、または非標準の最適化問題を抱えるラボには、カスタム統合が唯一の道です。
既存のラボを自律的な発見システムへと変える6つのケイパビリティ。それぞれが単独の契約として、またはフルクローズドループ構築の一部として提供できます。
当社は、あなたの特定の材料領域に合わせて代理モデル、獲得関数、忠実度レベルを構成します。組成空間が50次元を超える場合、O(nの3)の計算量を持つ標準的なガウス過程は収束しないため、Sparse Variational GP(SVGP)を採用します。10〜15のパラメータと高価な試薬を伴う反応最適化には、情報単位あたりのコストを最小化するためにCost-Informed BOを導入します。
獲得関数は、ほとんどのラボが認識しているよりも重要です。期待改善量は保守的で、既知の有望な領域を活用するのに適しています。トンプソンサンプリングはバッチの多様性を促進し、複数の並列合成を実行する際により優れています。当社はデフォルトではなく、あなたの実験設定に基づいて選択します。
あなたのラボの各計測機器は、それぞれ異なる言語を話します。Hamilton STARはVENUSスクリプティングを使います。Tecan EVOはFluentControl APIを使います。Agilentの計測機器はFAST APIまたはレガシーのシリアルプロトコルを公開します。当社は各機器向けにSiLA 2マイクロサービスドライバーを構築するため、下位の計測機器が何であろうと、AI最適化層は一貫した一つのコマンド形式で送信します。
最新のAPIを持たないレガシー計測機器(10〜20年前のもの)は、PythonのSiLA 2サーバーを実行するアダプターハードウェア(Raspberry Piまたは組み込みコントローラー)でラップします。各ドライバー統合は、ベンダーのAPIドキュメントの品質に応じて2〜4週間かかります。標準的な中規模ラボでは、機能するクローズドループに6〜12のドライバーが必要です。
グラフニューラルネットワークは分子物性予測においてLLMを上回ります。分子はテキスト文字列ではなく3Dグラフだからです。当社は、DFT計算に要する数時間ではなくミリ秒単位で目標物性を予測するGNN代理モデル(結晶構造にはCGCNN、分子ジオメトリにはSchNetまたはDimeNet)を構築します。
十分に研究された材料ファミリーには、Materials Project(154,000以上の構造)またはAFLOWからブートストラップします。新規クラスには、関連ファミリーからの転移学習と、的を絞ったDFT計算でギャップを埋める能動学習を用います。Matbench Discoveryベンチマーク(2026年)は、最良のモデルが6.1倍の発見加速係数を達成することを示しています。当社はあなたの領域でその範囲を目標とします。
製薬ラボでは、FDAのALCOA+フレームワークが、すべての自動化ステップに対して帰属可能(Attributable)、判読可能(Legible)、同時記録的(Contemporaneous)、原本性(Original)、正確(Accurate)であることを求めます。ほとんどのSDLソフトウェアはコンプライアンスを後回しに扱います。当社は監査証跡層を専用サービスとして構築します:BOエンジンからのすべてのデータイベント、すべてのロボット動作、すべての特性評価結果を傍受し、タイムスタンプを付し、追記専用ログに保存します。
CDERの警告書はFY2025に50%急増し、データ完全性が主要な指摘カテゴリとなりました。2026年1月のFDA/EMA共同の創薬におけるAIに関するガイダンスは、データガバナンスと人間による監督について明確な期待を設定しています。当社は監査での指摘の後に後付けするのではなく、最初からコンプライアンスを設計します。
本番システムとしての完全なDesign-Make-Test-Analyze(DMTA)サイクル。BOエンジンが候補を生成します。ロボットプラットフォームがSiLA 2経由で合成指示を受け取ります。特性評価計測機器(XRD、分光法、顕微鏡法)が結果を測定します。フィードバックが代理モデルを更新します。サイクルは人間の介入なしに繰り返されます。
当社は、物理的な実行の前に各実験をシミュレートするデジタルツイン層を含めます:プロトコルのタイミングを検証し、ロボットアームの衝突経路をチェックし、試薬の適合性の問題にフラグを立て、リアルタイムのセンサーデータを予測される挙動と比較して異常を検出します。これにより、バークレーのA-Labが遭遇した29%の合成失敗率を防ぎ、夜間の不意の事態なしに24時間365日の運用を維持します。
20年もののHPLCをSiLA 2マイクロサービスドライバーでラップ。Excelの実験追跡を、最適化ループに直接フィードする構造化データパイプラインに置き換え。分断されたLIMS、ELN、計測機器の出力を、すべての実験(失敗を含む)が代理モデルの学習データとなる単一のデータレイクに統合。
総入れ替えではありません。当社は依然として機能する機器の上に知能層を追加します。標準的な近代化の道筋:まず計測機器ドライバー(第1〜8週)、次にデータパイプライン(第4〜12週、重複あり)、3番目にBOエンジン(第8〜16週)、最後にクローズドループ統合(第12〜20週)。科学者はこの間ずっと現在のワークフローを継続して実行します。
これは、特定のバンドギャップと熱安定性の目標に向けて鉛フリーのハロゲン化物ペロブスカイト組成を最適化する材料ラボの代表的なワークフローです。
当社はMaterials Projectから50,000のDFT計算済みハロゲン化物ペロブスカイト構造を取得します。CGCNN(Crystal Graph Convolutional Neural Network)がこのデータで事前学習され、結晶構造から生成エネルギーとバンドギャップを予測します。学習には単一GPUで4〜8時間かかります。このモデルは既知のペロブスカイトの生成エネルギーで約0.05 eVのMAEを達成し、これは候補を順位付けするには十分に正確ですが、実験的検証を置き換えるには十分とは言えません。それが要点です:代理モデルはフィルターであって、神託ではありません。
組成空間が定義されます:Cs/MA/FAのカチオン比、Sn/Ge/Biの置換レベル、I/Br/Clのハロゲン化物比。これにより約30次元の連続空間が生まれます。多目的:バンドギャップの安定性を最大化(タンデム太陽電池応用向けに目標1.2〜1.5 eV)、生成エネルギーを最小化(熱力学的安定性)、熱分解温度を最大化(運用上の耐久性)。BOエンジンは多目的の獲得関数(期待ハイパーボリューム改善量)を用いてパレートフロントを探索します。
BOエンジンはまずCGCNN代理モデルに問い合わせます(予測あたりミリ秒、ほぼゼロコスト)。10,000の候補組成を生成し、予測されるパレート最適性で順位付けします。上位200が高速なDFT緩和に渡されます(計算あたり数分、それぞれ約0.50ドルの計算コスト)。MF-BOフレームワークは、GNN予測とDFT結果の相関を学習します。相関が強いところでは、GNN予測が信頼されます。相関が弱いところ(通常は学習分布の端)では、より多くのDFT計算がトリガーされます。この段階で、いかなる物理的合成もなしに候補の約99%が除外されます。
DFTで検証された上位20候補が、合成指示としてロボットプラットフォームに送られます。液体ハンドラー(SiLA 2経由で制御)が前駆体溶液を分注します。ホットプレート/管状炉がアニーリングプロトコルを実行します。XRD計測機器(SiLA 2接続)が結晶相を確認します。UV-Vis分光計がバンドギャップを測定します。TGA計測機器が熱分解を測定します。すべての結果にタイムスタンプが付され、元のBO推奨と紐付けられ、構造化データパイプラインに保存されます。
失敗を含むすべての実験結果が、代理モデルにフィードバックされます。予測された300Cではなく150Cで分解した組成には価値があります:それはモデルにどこで予測が誤っていたかを伝え、決定境界を鋭くします。BOエンジンは事後分布を更新し、獲得関数を再計算し、次のバッチを選択します。4〜6サイクル(2〜3週間で計80〜120実験)の後、システムは実用可能なパレートフロントをマッピングし終えます。ラボは今や、物理的測定で確認され、それぞれに完全な不確実性の特性評価を伴う、3つの目的すべてを満たす5〜10の組成を手にします。
標準的なクローズドループラボ構築は、キックオフから自律運用まで16〜24週間かかります。各フェーズには明確な成果物とgo/no-goゲートがあります。
当社はすべての計測機器、そのAPI機能、現在のデータフロー、統合の複雑さを棚卸しします。最適化問題をマッピングします:何を、何次元で、どのような制約の下で探索しているのか。既存のデータ(LIMSエクスポート、ELN記録、過去の実験結果)を、代理モデルのブートストラップの可能性について評価します。
成果物: BOエンジンの構成、計測機器ごとのタイムラインを含む計測機器統合計画、代理モデル戦略、データパイプライン設計を規定する技術アーキテクチャ文書。この文書は、もしあなたが当社と進めないことを選んだとしても、社内チームが独自に実行できるほど詳細です。
各計測機器向けのSiLA 2ドライバーを並行して開発。データパイプラインの構築:生の計測機器出力から構造化形式、そしてモデル対応の特徴量へ。必要に応じてレガシーシステムのアダプター。各ドライバーは個別に、その後オーケストレーションされたシーケンスでテストされます。
成果物: すべての計測機器に対応した動作するSiLA 2ドライバー。構造化された実験ロギングを備えた統合データパイプライン。このフェーズの間、あなたのラボは既存のワークフローを継続して実行します。
代理モデルの学習(または新規材料クラス向けの転移学習+ファインチューニング)。選択した獲得関数と忠実度階層を備えたBOエンジンの構成。プロトコルシミュレーション用のデジタルツイン層。計測機器層との統合テスト:実際の探索問題に展開する前に、既知の材料で完全なDMTAサイクルを実行してループを検証。
成果物: 実験の推奨を生成する動作するBOエンジン。あなたの材料ファミリーで予測精度を定量化した、検証済みの代理モデル。物理的な実行の前にプロトコルエラーを検知するデジタルツイン。
パイロットの探索問題における完全な自律運用。システムは24時間365日稼働し、人間による監督は能動的モニタリングから例外ベースのアラートへと徐々に削減されます。追跡される性能指標:1日あたりの実験数、ベースライン比のヒット率、実験あたりのコスト、反復にわたるモデル予測精度。
成果物: あなたの実際の最適化問題を実行する自律ラボ。完全な引き継ぎドキュメント。システムについて訓練されたあなたのチーム。すべてのコード、モデル、構成があなたに移管されます。運用に当社はもはや必要ありません。
現在のラボ構成について8つの質問に回答してください。この評価は、自律ラボ展開に向けたあなたの最も強い領域と最も弱い領域を特定し、当社と協業するか否かにかかわらず、各カテゴリについて具体的な次のステップを提供します。
何も置き換える必要はありません。重要な層はハードウェアではなくミドルウェアです。当社は既存の各計測機器をSiLA 2マイクロサービスドライバーでラップし、高レベルのコマンド(5mlを分注、200Cに加熱、XRDスキャンを実行)を、あなたの計測機器が話すベンダー固有のプロトコルへと変換します。Hamilton STARにはVENUSスクリプティングコマンドが必要です。Tecan EVOにはFluentControl APIコールが必要です。より古いAgilentのHPLCには、Raspberry Pi上で動作するPythonアダプターでラップされたシリアルポート通信が必要な場合があります。
各ドライバーは、計測機器のAPIドキュメントの品質に応じて構築に2〜4週間かかります。ラップされると、すべての計測機器はAI最適化層から見て同じに見えます:定義されたケイパビリティを持つSiLA 2マイクロサービスです。当社は、ラボには機能するクローズドループに通常6〜12の計測機器ドライバーが必要であることを見出しました。総統合タイムラインは中規模ラボで8〜16週間であり、構築の間、あなたの計測機器は既存のワークフローを実行し続けます。
唯一のハードウェア追加は、通常、BOエンジンを実行し計測機器コマンドを調整する小型のオーケストレーションサーバー(オンプレミスまたはクラウド接続)です。
正直な答えは3つの変数によって決まります:現在の実験スループット、探索空間の次元数、試薬コストです。実験あたり平均試薬コスト200ドルで30次元の組成空間に対して週20回の手動実験を行う材料科学ラボは、週500枚のHTSプレートを実行する製薬ラボとは異なる計算結果を見ることになります。
材料科学のケースでは、Cost-Informed Bayesian Optimization(CIBO)を展開すると、実用可能な候補を見つけるのに必要な実験回数を通常10〜50倍削減します。組成空間をカバーするために1,000回の実験を実行していて、CIBOが50〜100回の実験で同じ結果に到達させてくれるなら、試薬の節約だけで18万〜19万ドルになります。労働力の再配分(科学者がピペッティングではなく実験を設計すること)と、ロボット機器の24時間365日の稼働(人員配置されたラボでの30〜40%の稼働率と比較して)を加えると、ほとんどの中規模ラボは統合投資に対して12〜18か月でペイバックを得ます。
留意事項:これらの数字は、あなたのデータインフラが最適化ループにフィードできるほど十分にクリーンであることを前提としています。最初の3か月がExcelスプレッドシートや分断されたLIMSからのデータの正規化に費やされる場合、ROIタイムラインは右にずれます。McKinseyは、包括的な自動化とAI統合が製薬R&Dコストを全体で約25%削減し、サイクルタイムを500日超短縮できると推定しています。
HTSは力ずくです:物理的に可能な限り多くの候補を合成・テストし、答えがライブラリの中にあることを願います。ベイズ最適化は戦略的探索です:確率的代理モデルを用いて最良の候補がどこにあるかを予測し、それらだけをテストし、モデルを更新し、繰り返します。
数字がそれを物語ります。標準的なHTSキャンペーンはおおよそ10をテストします6 の化合物。薬理活性のある低分子空間は10と推定されています60。HTSは、答えが既存のライブラリの中にある可能性が高く、インフラを賄える場合に機能します。最適な組成がどのライブラリにもおそらく存在しない新規の材料クラスを探索しているときには、それは失敗します。
ガウス過程代理モデルを用いたBOは、まさにこの領域で優れます:初期データが少なく、実験が高価で、探索空間が大きい場合です。獲得関数は、未知の領域の探索と既知の有望な領域の活用とを数学的に均衡させます。Cost-Informed BOはコストの次元を加えます:2つの実験が同様の情報利得を提供するが、一方が試薬で5,000ドルかかり、もう一方が50ドルなら、CIBOは安価な道を選びます。研究は、CIBOが同じ目標に到達しながら最適化コストを最大90%削減することを示しています。
限界:ガウス過程を用いた標準的なBOは、観測について O(nの3)でスケールし、50次元を超えると苦戦します。高次元の組成空間には、当社はスパースGP近似(SVGP)またはディープカーネル学習を用い、これらはより多くの初期エンジニアリングを要しますが、数百次元を扱います。
はい、ただし意図的なコンプライアンスアーキテクチャがあってのことです。ほとんどのSDLプラットフォームは、規制環境ではなく学術研究のために設計されました。FDAのALCOA+フレームワークは、すべてのデータポイントが帰属可能(Attributable、誰がそれを生成したか、どのアルゴリズムが実験を選択したかを含む)、判読可能(Legible)、同時記録的(Contemporaneous、後でバッチ記録されるのではなく作成時にタイムスタンプが付される)、原本性(Original)、正確(Accurate)であることを求めます。
自律ラボでは、これはBOエンジンの実験選択が完全な意思決定コンテキストとともにログされなければならないことを意味します:どの獲得関数か、代理モデルが何を予測したか、なぜこの実験が代替案より選ばれたか。すべてのロボット動作は不変の監査証跡を生成しなければなりません。失敗した実験は、黙って破棄されるのではなく、故障モード分析とともに捕捉されなければなりません。
CDERの警告書は2025会計年度に50%急増し、データ完全性が主要な指摘カテゴリとなりました。2026年1月、FDAとEMAは共同で創薬におけるグッドAIプラクティスのための10の指導原則を公表し、データガバナンス、ドキュメント、ライフサイクル管理、人間による監督を扱いました。
当社はコンプライアンス層を、あなたのSDLワークフローをラップする独立したサービスとして構築します:すべてのデータイベントを傍受し、タイムスタンプを付し、発生元のプロセスに紐付け、追記専用の監査ログに保存します。この層は統合タイムラインに約3〜4週間を追加し、あなたの特定のSOPに対して検証するために品質チームとの連携を必要とします。
これはコールドスタート問題であり、自律的な材料探索において最も一般的な技術的課題です。十分に研究された材料ファミリー(ペロブスカイト、金属有機構造体、一般的な低分子)に取り組んでいるなら、Materials Project(154,000以上の構造)、AFLOW、またはOpen Quantum Materials Databaseにある大規模なDFT計算済みデータセットが、あなたの代理モデルをブートストラップできます。
新規材料クラスには、道は3フェーズです。フェーズ1:転移学習。データが豊富な関連材料ファミリー(たとえば二元酸化物)でGNNを事前学習し、たとえ50〜100の構造であっても、手元にあるデータでターゲットクラスにファインチューニングします。ACS Central Scienceは、転移学習がターゲット領域のデータが桁違いに少なくても有用な予測精度を達成できることを示す研究を公表しました。
フェーズ2:マルチフィデリティBOによる能動学習。安価なDFT計算(それぞれ数分)を用いて、あなたの空間に関する代理モデルの知識を急速に拡大し、その後、最も不確実な予測を高価な高忠実度計算または実際の合成で選択的に検証します。MF-BOフレームワークはシミュレーションと実験の相関を学習するため、安価な計算をいつ信頼すべきかを把握しています。
フェーズ3:ネガティブデータの捕捉。失敗したすべての実験は構造化されたロギングを受けます:何が試みられたか、何がうまくいかなかったか、測定された物性。これは決定境界を鋭くし、システムが行き止まりを繰り返し探索することを防ぎます。ほとんどのラボはこのデータを捨ててしまいます。当社はそれを永続的なIPとして扱います。有用な代理モデルまでのタイムライン:転移学習を用いた十分に研究されたファミリーには2〜4週間、DFTブートストラップを要する真に新規のクラスには3〜6か月。
それは3つの要因によって決まります:計測機器がどれほど独特か、データがどれほど機密か、最適化ロジックに対してどれほどの制御が必要か。
Emerald Cloud Labのようなプラットフォームは、200台以上の自動化計測機器へのターンキーアクセスを提供します。サンプルを送れば、彼らが実験を実行し、データが返ってきます。これは、ワークフローのカスタマイズが必要なく、専有データが他者のインフラ上に存在することに抵抗がない、標準化されたアッセイに有効です。Radical AIは、1日に数十億の組成をスクリーニングする完全自律ラボを構築します。あなたの問題が彼らの合金への注力と合致するなら、彼らのスループットには太刀打ちしがたいでしょう。しかしあなたは彼らのスタック、彼らのアルゴリズム、彼らのデータパイプライン上で動かすことになります。
カスタム構築が理にかなうのは次の場合です:(1)あなたの計測機器構成に、どのプラットフォームもサポートしないレガシーまたは専門の機器が含まれる、(2)あなたのデータ主権要件が専有的な化学データを敷地外に送ることを禁じる、(3)あなたの最適化問題が非標準のアプローチ(カスタム忠実度ソースを伴うマルチフィデリティBO、物理情報に基づく代理モデル、領域固有の獲得関数)を必要とする、または(4)プラットフォームが提供しないGxPコンプライアンス層が必要。
標準的な中規模の材料ラボには、どのプラットフォームも初期状態でサポートしない3〜5の計測機器、少なくとも1つの規制上の制約、そして汎用UIに合わない最適化問題があります。オープン標準(SiLA 2、BoTorchのようなオープンソースのBOライブラリ)の上に構築されたカスタム統合は、ロックインなしに自律的なケイパビリティを与えます。
このソリューションページの背後にある手法と技術アーキテクチャは、当社のインタラクティブホワイトペーパーで詳述されています。
ベイズ最適化の数学、PIML vs ブラックボックスAI、分子物性予測のためのGNNアーキテクチャ、SiLA 2ミドルウェア設計、合成前シミュレーションの経済的論拠を扱います。
McKinseyは、AIと自動化の統合が製薬R&Dコストを25%削減し、サイクルタイムを500日超短縮すると推定しています。
ラボアーキテクチャ評価、既存の自動化セットアップ向けのBOエンジン、または計測機器統合から自律運用までのフルクローズドループ構築のいずれが必要であっても、当社はあなたの現状と目標に合わせて契約をスコープします。