Blog

Blog IDBS | 15. července 2026

Co je to „řízený střed“? Propojení teoretického výzkumu v oblasti umělé inteligence s praktickou realizací v laboratoři

Co je to „Governed Middle“? Propojení teoretického vývoje AI a praktické realizace

Autor: Anirban Mudi, vedoucí produktový manažer pro platformu, IDBS

V oblasti farmaceutického výzkumu a vývoje přináší věda „in silico“ nové poznatky rychleji než kdykoli předtím. Pro mnoho biofarmaceutických organizací však zůstává nevyřešená otázka: pokud se „suchá laboratoř“ učí rychleji, proč organizace nevytváří lepší důkazy rychleji? Odpověď málokdy spočívá v kvalitě algoritmů. Spočívá v tom, jak se poznatky přenášejí mezi výpočetním a fyzickým světem vědy a zda se dostávají do laboratoře v podobě, která podporuje řízené provádění a dlouhodobé opětovné využití.

Ve společnosti IDBS se zaměřujeme na to, aby se čas stal pro naše zákazníky konkurenční výhodou. Od první hypotézy až po ověřený výsledek je naším cílem zkrátit délku cyklu rychle a s jistotou – aniž by tím utrpěla kvalita. To vyžaduje laboratorní cyklus navržený pro řízené učení, nikoli pouze pro rychlejší modelování.

Suchá laboratoř, mokrá laboratoř a laboratorní smyčka

Obrázek 2a

Obrázek 1. Smyčka laboratoře IDBS

V suché laboratoři probíhají experimenty in silico: výpočetní chemie, bioinformatika, predikce a tvorba hypotéz s podporou umělé inteligence. Ve mokré laboratoři se tyto hypotézy ověřují prostřednictvím syntézy, biologických testů, analytických zkoušek, studií stability a vývoje procesů za reálných vědeckých a regulačních podmínek.

Spojnicí mezi těmito dvěma prostředími je laboratorní smyčka (obrázek 1). Jak ilustruje obrázek, jedná se o nepřetržitý cyklus. Modely v „suché laboratoři“ generují hypotézy. Tyto hypotézy se pak promítají do experimentálního provedení v „mokré laboratoři“. Výsledky jsou zaznamenány jako důkazy a tyto důkazy slouží jako zpětná vazba pro zdokonalení dalšího kola modelů, rozhodnutí a experimentů. Aby mohla umělá inteligence smysluplně přispívat v regulovaných prostředích, musí její role při formulování hypotéz, volbě experimentů a rozhodování rovněž procházet touto smyčkou v dokumentované podobě, aby mohla být přezkoumána a podrobně prozkoumána společně s výslednými důkazy. V regulovaném farmaceutickém odvětví je tento cyklus důležitý, protože cílem není pouze rychlejší získání poznatků. Jde o rychlejší, řízené učení, které produkuje důkazy, které jsou sledovatelné, přiřaditelné a obhajitelné.

Proč pokrok v oblasti umělé inteligence předstihuje smyčku

Umělá inteligence výrazně posílila oblast „dry lab“. Ačkoli se s umělou inteligencí experimentuje téměř ve všech oblastech přírodních věd, pouze malá menšina organizací uvádí, že jim přináší trvalou obchodní hodnotu ve velkém měřítku.1 Mnozí také nemají jistotu, že jejich postupy v oblasti nakládání s daty dokážou podporovat umělou inteligenci i po skončení pilotních projektů.2

Problém spočívá v tom, co následuje po získání poznatku. Obvykle se vyskytují tři typy selhání:

  • Poznání přichází nenápadně. Výstupy z „dry lab“ se často objevují spíše ve formě prezentací, poznámkových bloků, dokumentů nebo neformálních doporučení než ve formě strukturovaného, realizovatelného záměru.
  • Ztratil se kontext. Týmy v laboratořích musí tyto výstupy přepracovat do podoby protokolů a pracovních postupů. Klíčové souvislosti – například proč byl daný kandidát zařazen na vyšší příčku, z jakých předpokladů vycházela experimentální studie (DoE) nebo proč byla priorita určitého kandidáta na léčivo snížena – jsou často implicitní nebo zcela chybí.
  • Zpětná vazba se pokazí. Výsledky nelze jednoznačně přiřadit k původnímu modelu a data o provedení se vrací zbavená kontextu, který je nezbytný k tomu, aby je bylo možné znovu použít v dalším kole učení.

Jsou vaše data připravena k podpoře laboratorního cyklu? Vyplňte Posouzení připravenosti dat pro umělou inteligenci abyste zjistili, v jakém stavu jsou vaše základy.

Kdy se tato mezera stává regulačním rizikem

V regulovaném farmaceutickém odvětví představuje nefunkční laboratorní smyčka riziko z hlediska dodržování předpisů, nikoli pouze problém s efektivitou. Mnoho laboratoří kontroly kvality v biotechnologickém farmaceutickém průmyslu stále pracuje s nesouvislými systémy a omezenou automatizací.3

Jakmile se doporučení umělé inteligence stanou součástí vědeckého pracovního postupu, stávají se součástí záznamu o rozhodnutí. V prostředích GxP musí tento záznam splňovat standardy ALCOA+. V praxi tedy umělá inteligence nemůže zůstat pouze externím zdrojem doporučení. Její role při generování, formování nebo ovlivňování rozhodnutí musí být zdokumentována přímo v rámci samotného pracovního postupu, aby hodnotitelé mohli pochopit nejen výsledek, ale i to, jak k němu umělá inteligence přispěla. Pokud výstup umělé inteligence ovlivní rozhodnutí o šarži nebo protokolu stability, regulační orgány budou očekávat, že uvidí, jak byl generován, na jakých datech byl založen a kdo jej schválil.

Návrh pokynů FDA týkající se využití umělé inteligence při přijímání regulačních rozhodnutí tuto očekávanou praxi formalizuje a vyžaduje, aby u každého modelu umělé inteligence bylo provedeno posouzení důvěryhodnosti založené na riziku, byla zdokumentována situace, v níž je model používán, a byly předloženy důkazy o tom, jak byla důvěryhodnost stanovena a udržována.4 Většina laboratorních prostředí není navržena pro takovou úroveň odpovědnosti. Výstupy umělé inteligence se nacházejí mimo regulovaný záznam, čímž vznikají mezery, které zůstávají skryté až do okamžiku kontroly.

Toto riziko ještě umocňuje tzv. „stínová AI“, kdy vědci využívají neprověřené nástroje mimo regulované systémy. Neregulovaná AI vede k neviditelným odchylkám – rozhodnutím ovlivněným neověřenými modely a nevysledovatelnými doporučeními, která se mohou projevit až v případě odchylky nebo při zjištění při auditu.

Zjistěte, jak společnost IDBS buduje datové základy připravené pro umělou inteligenci a podléhající správním pravidlům.

Potřeba regulovaného středního bodu v laboratorní smyčce

IDBS AI Blog – obrázek 2

Výzkumy začínají dokládat existenci vědeckých smyček, v nichž umělá inteligence navrhuje experimenty, automatizace je provádí a výsledky se pak pod lidským dohledem zpětně promítají do procesu.5,6 Tyto modely jsou slibné. V regulovaném farmaceutickém odvětví nespočívá výzva pouze v tom, uzavřít cyklus. Jde o to řídit laboratorní cyklus tak, aby poznatky z teoretické laboratoře byly převedeny do praktické laboratoře a výsledky z praktické laboratoře se vrátily jako důvěryhodné a opakovaně použitelné důkazy.

Řízená laboratorní smyčka zajišťuje, že poznatky z „suché“ laboratoře jsou zachyceny jako strukturovaný a auditovatelný záměr, nikoli jako neformální doporučení. Při provádění se tento záměr zachovává, odchylky se výslovně zaznamenávají a výsledky lze vysledovat zpět k původním předpokladům. Výstupy umělé inteligence, které ovlivňují rozhodnutí, se stávají součástí regulované dokumentace. Zpětná vazba se vrací spolu s kontextem provádění a lidská kontrola je zabudována do definovaných rozhodovacích bodů.

Právě zde hraje klíčovou roli řízená střední vrstva. Mnoho organizací investuje do kapacit suchých laboratoří a infrastruktury mokrých laboratoří, ale nedostatečně investuje do vrstvy, která je propojuje. Právě zde se zachovává vědecký záměr, provádění je auditovatelné a důkazy lze opakovaně využívat napříč programy, pracovišti i v čase. Právě tato střední vrstva umožňuje umělé inteligenci hladce se integrovat do laboratorního cyklu. Místo toho, aby umělá inteligence stála mimo proces jako neformální zdroj doporučení, stává se součástí zdokumentovaného pracovního postupu, v němž lze její výstupy, předpoklady a vliv na rozhodnutí přezkoumávat a podrobně analyzovat jako součást vědecké a regulační dokumentace. Je-li tato střední vrstva slabá, rozpadá se laboratorní cyklus na nesouvislé pracovní postupy, dochází ke ztrátě kontextu a výsledky nelze znovu použít.7,8 Je-li tento cyklus silný, stává se laboratorní cyklus řízeným systémem pro prohlubování vědeckých poznatků.

Již více než 35 let společnost IDBS úzce spolupracuje s předními světovými biofarmaceutickými společnostmi na řešení náročných problémů v regulovaných a komplexních prostředích. Řešení navrhujeme společně se zákazníky tak, aby model „governed middle“ odrážel skutečné pracovní postupy, skutečná omezení a skutečné rozhodovací body.

Od rychlejšího získávání poznatků až po řízené využívání důkazů

K překlenutí této mezery je třeba navrhnout laboratorní smyčku jako řízený systém. Propojené provádění přináší hmatatelné výsledky: méně chyb a odchylek, lepší dodržování předpisů a zkrácení doby testování.3 Organizace, které získávají nadprůměrnou hodnotu z umělé inteligence, toho dosahují přepracováním pracovních postupů a posílením správy a řízení, nikoli zaváděním dalších modelů.9

V tomto kontextu není „řízený střed“ pouhou architektonickou koncepcí. Jedná se o operační vrstvu, která přeměňuje poznatky na důkazy. Je to také vrstva, která zajišťuje, že zapojení umělé inteligence je v rámci řízeného vědeckého procesu viditelné, zdokumentované a přezkoumatelné, namísto toho, aby se o něm dalo usuzovat až dodatečně. IDBS Polar je jedním z příkladů toho, jak lze tuto vrstvu vytvořit prostřednictvím strukturovaného sběru dat, řízení pracovních postupů a kontextualizovaných důkazů.

Zatímco se schopnosti umělé inteligence neustále vyvíjejí, klíčem k získání spolehlivých poznatků z umělé inteligence je pevně zakotvený záměr, řízené provádění a dohledatelné důkazy. Umělá inteligence je spolehlivá pouze do té míry, do jaké jsou spolehlivá data, kontext a řízení, na nichž je založena.

Jako součást propojeného ekosystému odborných znalostí, technologií a schopností společnosti Danaher pomáhá IDBS zákazníkům rychleji a s větší jistotou proměnit nápady v konkrétní výsledky. Využíváme precizní metody a silné stránky napříč portfoliem, abychom vám pomohli globálně rozšiřovat propojenou vědu – a zajistit její řádné řízení.

Jste připraveni propojit poznatky s důkazy?

Pokud chcete proměnit poznatky generované umělou inteligencí v řízené a opakovaně použitelné podklady, prvním krokem je zjistit, v jakém stavu se nacházejí vaše datové základy. Vezměte si například Posouzení připravenosti dat pro umělou inteligenci posoudit schopnost vaší organizace podporovat umělou inteligenci v rámci celého laboratorního cyklu.

Chcete-li se do tématu ponořit hlouběji, podívejte se, jak strukturovaný přístup k datům, který klade důraz na kontext, tvoří základ škálovatelné a důvěryhodné umělé inteligence:
Přečtěte si Bílá kniha o strategii pro AI data s prioritou kontextu pro biofarmaceutický průmysl. Nebo kontaktujte nás abychom probrali, jak může vaše organizace vybudovat řízený prostřední článek, který propojuje poznatky s důkazy.

Společnost IDBS, která patří do skupiny Danaher, pomáhá biofarmaceutickým organizacím přeměňovat vědecká data na spolehlivé poznatky, které urychlují inovace a zlepšují výsledky léčby pacientů.

O autorovi

Autor: Anirban Mudi, vedoucí produktový manažer platformy

Anirban MudiDr. Anirban Mudi je zkušený digitální vědec s více než 20 lety zkušeností z průmyslu a akademické sféry. Je součástí týmu produktového managementu platformy ve společnosti IDBS, který řídí vývoj platformy IDBS Polar umožňující farmaceutickému průmyslu získávat vysoce kontextualizovaná strukturovaná data pro následné aplikace, jako je datová analýza, insights a AI/ML pro urychlení vývoje léčiv.

Dr. Mudi je vzděláním vědec a je držitelem titulu PhD v oboru chemie z IIT v Dillí.  Díky svým odborným znalostem v oblasti aplikace pokročilých technologií, jako jsou umělá inteligence, internet věcí a cloudové výpočty, v oboru přírodních věd vyvinul Dr. Mudi inovativní digitální řešení pro tento průmysl. S nadšením inspiruje budoucí generace a prosazuje využití praktických zkušeností s technologiemi k řešení reálných výzev.

Odkazy:

  1. McKinsey & Company. Rozšíření využití generativní umělé inteligence v odvětví přírodních věd (2025), datum přístupu: červenec 2026.
  2. Gartner. Nedostatek dat vhodných pro umělou inteligenci ohrožuje projekty v oblasti umělé inteligence (2025), datum přístupu: červenec 2026.
  3. Deloitte Insights. Laboratoř kontroly kvality budoucnosti ve farmaceutickém průmyslu: Zvýšení rychlosti, dodržování předpisů a kvality (2025), datum přístupu: červenec 2026.
  4. Americký úřad pro kontrolu potravin a léčiv. Úvahy ohledně využití umělé inteligence na podporu rozhodování v oblasti regulace léčivých přípravků a biologických přípravků: Návrh pokynů pro průmysl a další zainteresované strany (2025), datum přístupu: červenec 2026.
  5. Scheurer C., Reuter K. Úloha lidského faktoru v nově vznikajících laboratořích pro autonomní řízení v oblasti heterogenní katalýzy (2025), datum přístupu: červenec 2026.
  6. Liu X., Ouyang B., Zeng Y. Rovnováha mezi autonomií a odbornými znalostmi v laboratořích pro autonomní syntézu (2025), datum přístupu: červenec 2026.
  7. Bain & Company. Proč umělá inteligence naráží na překážky bez promyšlené datové strategie (2025), datum přístupu: červenec 2026.
  8. McKinsey & Company. Nové pojetí podniků v oblasti přírodních věd díky agentní umělé inteligenci (2025), datum přístupu: červenec 2026.
  9. PwC. Studie výkonnosti umělé inteligence: Chcete z umělé inteligence získat návratnost investic? Zaměřte se na růst (2026), datum přístupu: červenec 2026.

Sdílet tuto stránku:

tlačítko pro sdílení na LinkedIn tlačítko pro sdílení na Twitteru tlačítko pro sdílení na Facebooku tlačítko pro sdílení e-mailem
Svg+xml,%3Csvg%20xmlns%3D'http%3A%2F%2Fwww.w3

Jak využít ontologii CMC v praxi | Pistoia Alliance 2026

Připojte se k společnosti IDBS na konferenci Pistoia Alliance, kde Ken Forman představí, jak mohou organizace transformovat zdokumentovanou ontologii CMC do operačního rámce splňujícího požadavky GxP. Dozvíte se, jak propojení ontologie s experimentálními daty umožňuje získat strukturované informace připravené k předložení, čímž se zlepší výměna dat, dodržování regulačních požadavků a efektivita procesů CMC.

Přečtěte si více
CMC

Regulační podání společnosti CMC: Proč je důležitá kontinuita znalostí

Biotechnologické a farmaceutické společnosti investovaly značné prostředky do správy dat v oblasti CMC, přesto však mnohé z nich stále čelí méně zjevné výzvě: zachování znalostí, na nichž jsou založena klíčová rozhodnutí v rámci vývoje. S postupem produktů ve vývojovém procesu a s vývojem týmů se zachování vědeckého kontextu může stát stejně důležitým jako uchovávání samotných podkladových dat.

Přečtěte si více