Blog

IDBS-blog | 15 juli 2026

Wat is de ‘gereguleerde middenweg’? Een brug slaan tussen AI in het ‘dry lab’ en uitvoering in het ‘wet lab’

Wat is het ‘Governed Middle’? Een brug slaan tussen AI in het ‘dry lab’ en uitvoering in het ‘wet lab’

Door Anirban Mudi, hoofdproductmanager platform, IDBS

In de farmaceutische R&D levert in-silico-wetenschap sneller dan ooit nieuwe inzichten op. Toch blijft voor veel biofarmaceutische organisaties één vraag hardnekkig terugkomen: als het ‘dry lab’ sneller leert, waarom levert de organisatie dan niet sneller beter onderbouwd bewijs op? Het antwoord ligt zelden in de kwaliteit van de algoritmen. Het ligt in de manier waarop inzichten worden overgedragen tussen de computationele en fysieke wereld van de wetenschap, en of deze inzichten het laboratorium bereiken in een vorm die een gecontroleerde uitvoering en hergebruik op lange termijn ondersteunt.

Bij IDBS richten we ons erop om tijd tot een concurrentievoordeel voor onze klanten te maken. Van de eerste hypothese tot het gevalideerde resultaat: ons doel is om de doorlooptijden met snelheid en zekerheid te verkorten – zonder aan kwaliteit in te boeten. Dat vereist een laboratoriumcyclus die is ontworpen voor gestuurd leren, en niet alleen voor snellere modellering.

Drooglab, natlab en de lab-lus

Afbeelding 2a

Figuur 1. De IDBS Lab Loop

In het droge laboratorium vinden in-silico-experimenten plaats: computationele chemie, bio-informatica, voorspellingen en het opstellen van hypothesen, ondersteund door AI. In het natte laboratorium worden die hypothesen getoetst door middel van synthese, bioassays, analytische tests, stabiliteitsonderzoeken en procesontwikkeling, onder reële wetenschappelijke en regelgevende randvoorwaarden.

De verbinding tussen deze twee omgevingen is de lab-loop (Figuur 1). Zoals de afbeelding laat zien, gaat het om een doorlopende cyclus. Modellen in het ‘dry lab’ genereren hypothesen. Die hypothesen worden vervolgens omgezet in experimentele uitvoering in het ‘wet lab’. Resultaten worden vastgelegd als bewijsmateriaal, en dat bewijsmateriaal wordt weer gebruikt om de volgende ronde van modellen, beslissingen en experimenten te verfijnen. Om ervoor te zorgen dat AI een zinvolle bijdrage kan leveren in gereguleerde omgevingen, moet de rol ervan bij het vormgeven van hypothesen, experimentele keuzes en beslissingen ook in gedocumenteerde vorm door deze lus lopen, zodat deze samen met het resulterende bewijsmateriaal kan worden beoordeeld en onder de loep genomen. In de gereguleerde farmaceutische sector is deze cyclus van belang omdat het doel niet louter sneller inzicht is. Het gaat om sneller, gereguleerd leren dat bewijsmateriaal oplevert dat traceerbaar, toewijsbaar en verdedigbaar is.

Waarom de vooruitgang op het gebied van AI sneller gaat dan de loop

AI heeft het ‘dry lab’-gedeelte aanzienlijk versterkt. Hoewel er in de levenswetenschappen vrijwel overal met AI wordt geëxperimenteerd, geeft slechts een kleine minderheid van de organisaties aan dat dit op grote schaal blijvende bedrijfswaarde oplevert.1 Velen hebben ook geen vertrouwen dat hun gegevensbeleid AI verder dan proefprojecten kan ondersteunen.2

Het knelpunt zit hem in wat er gebeurt nadat het inzicht is verkregen. Er doen zich doorgaans drie soorten mislukkingen voor:

  • Inzicht komt op een informele manier tot stand. De resultaten van het dry lab komen vaak tot uiting in de vorm van presentaties, notitieboeken, documenten of informele aanbevelingen, in plaats van als gestructureerde, uitvoerbare plannen.
  • De context is kwijt. Teams in het natte laboratorium moeten deze resultaten omzetten in protocollen en werkprocessen. Essentiële context – zoals waarom een kandidaat hoger werd gerangschikt, welke aannames ten grondslag lagen aan een DoE of waarom een kandidaat-geneesmiddel minder prioriteit kreeg – is vaak impliciet of ontbreekt.
  • Feedback gaat kapot. De resultaten kunnen niet eenduidig worden herleid tot het oorspronkelijke model, en de uitvoeringsgegevens worden teruggegeven zonder de context die nodig is om ze herbruikbaar te maken voor de volgende leerronde.

Zijn je gegevens klaar om de ‘lab loop’ te ondersteunen? Doe de Beoordeling van de gereedheid van AI-gegevens om te achterhalen hoe het met je basis staat.

Wanneer de kloof een regelgevingsrisico vormt

In de gereguleerde farmaceutische sector vormt een onderbroken laboratoriumkringloop een risico op het gebied van naleving, en niet alleen een efficiëntieprobleem. Veel biopharma-kwaliteitscontrolelaboratoria werken nog steeds met losstaande systemen en beperkte automatisering.3

Wanneer AI-aanbevelingen in de wetenschappelijke workflow worden opgenomen, worden ze onderdeel van het besluitdossier. In GxP-omgevingen moet dat dossier voldoen aan de ALCOA+-normen. In de praktijk kan AI geen externe bron van aanbevelingen blijven. De rol ervan bij het genereren, vormgeven of beïnvloeden van beslissingen moet binnen de workflow zelf worden gedocumenteerd, zodat beoordelaars niet alleen het resultaat kunnen begrijpen, maar ook hoe AI daaraan heeft bijgedragen. Als een AI-uitkomst invloed heeft op een beslissing over een batch of een stabiliteitsprotocol, zullen toezichthouders willen weten hoe deze tot stand is gekomen, op welke gegevens deze was gebaseerd en wie deze heeft goedgekeurd.

De ontwerprichtlijn van de FDA inzake AI bij regelgevende besluitvorming legt deze verwachting vast en schrijft voor dat voor elk AI-model een op risico’s gebaseerde geloofwaardigheidsbeoordeling moet worden uitgevoerd, dat de gebruikscontext ervan moet worden gedocumenteerd en dat moet worden aangetoond hoe de geloofwaardigheid is vastgesteld en gehandhaafd.4 De meeste laboratoriumomgevingen zijn niet ontworpen voor dit niveau van verantwoording. AI-uitkomsten vallen buiten het gereguleerde dossier, waardoor er hiaten ontstaan die pas bij een inspectie aan het licht komen.

Dit risico wordt nog vergroot door ‘schaduw-AI’, waarbij wetenschappers ongecontroleerde tools gebruiken buiten de gereguleerde systemen om. Ongereguleerde AI leidt tot onzichtbare afwijkingen in de besluitvorming, die worden beïnvloed door niet-gevalideerde modellen en niet-traceerbare aanbevelingen, die mogelijk pas aan het licht komen wanneer er een afwijking of een auditbevinding wordt geconstateerd.

Ontdek hoe IDBS AI-klare, goed beheerde gegevensfundamenten opbouwt.

De noodzaak van de geregelde middenwaarde in een laboratoriumlus

IDBS AI-blog Afbeelding 2

Uit onderzoek begint te blijken dat er wetenschappelijke cycli ontstaan waarin AI experimenten voorstelt, automatisering deze uitvoert en de resultaten worden teruggekoppeld onder menselijk toezicht.5,6 Deze modellen zijn veelbelovend. In de gereguleerde farmaceutische sector bestaat de uitdaging er niet alleen in om de kringloop te sluiten. Het gaat erom de laboratoriumkringloop zo te sturen dat inzichten uit het droge laboratorium worden omgezet in uitvoering in het natte laboratorium, en dat de resultaten uit het natte laboratorium terugkeren als betrouwbaar, herbruikbaar bewijsmateriaal.

Een gereguleerde lab-loop zorgt ervoor dat inzichten uit het droge lab worden vastgelegd als gestructureerde, controleerbare intenties in plaats van als informele richtlijnen. Bij de uitvoering blijft die intentie behouden, worden afwijkingen expliciet geregistreerd en kunnen resultaten worden teruggevoerd naar eerdere aannames. AI-uitkomsten die van invloed zijn op beslissingen worden onderdeel van het gereguleerde dossier. Feedback wordt teruggekoppeld in de context van de uitvoering, en menselijke beoordeling is ingebouwd in vastgestelde beslissingsmomenten.

Hier wordt de gereguleerde tussenlaag cruciaal. Veel organisaties investeren in ‘dry lab’-capaciteit en ‘wet lab’-infrastructuur, maar investeren te weinig in de laag die deze met elkaar verbindt. Dit is de plek waar de wetenschappelijke intentie behouden blijft, de uitvoering controleerbaar is en bewijsmateriaal herbruikbaar wordt voor verschillende programma’s, locaties en in de tijd. Diezelfde tussenlaag zorgt ervoor dat AI naadloos in de laboratoriumcyclus kan worden geïntegreerd. In plaats van buiten het proces te staan als een informele bron van aanbevelingen, wordt AI onderdeel van een gedocumenteerde workflow waarin de output, aannames en invloed op beslissingen kunnen worden beoordeeld en onder de loep genomen als onderdeel van het wetenschappelijke en regelgevende dossier. Wanneer die middelste laag zwak is, valt de laboratoriumcyclus uiteen in losstaande workflows, gaat de context verloren en zijn de resultaten niet herbruikbaar.7,8 Wanneer deze sterk is, wordt de laboratoriumcyclus een gereguleerd systeem dat wetenschappelijk leren versterkt.

Al meer dan 35 jaar werkt IDBS nauw samen met ’s werelds toonaangevende biofarmaceutische bedrijven om complexe problemen in gereguleerde, complexe omgevingen op te lossen. We ontwikkelen samen met onze klanten oplossingen, zodat het gereguleerde middengebied een getrouwe weergave vormt van de werkelijke werkprocessen, de werkelijke beperkingen en de werkelijke beslissingsmomenten.

Van sneller inzicht tot gestructureerde gegevens

Om deze kloof te dichten, moet de laboratoriumcyclus worden ontworpen als een gereguleerd systeem. Geïntegreerde uitvoering levert tastbare resultaten op: minder fouten en afwijkingen, betere naleving en kortere testtermijnen.3 Organisaties die onevenredig veel waarde uit AI halen, doen dat door hun werkprocessen te herontwerpen en het beheer te versterken, niet door meer modellen in te zetten.9

In die context bezien is de ‘gereguleerde middenlaag’ niet louter een architectonisch concept. Het is de operationele laag die inzichten omzet in bewijs. Het is ook de laag die de bijdrage van AI zichtbaar, gedocumenteerd en controleerbaar maakt binnen het gereguleerde wetenschappelijke proces, in plaats van dit achteraf te moeten afleiden. IDBS Polar is een voorbeeld van hoe die laag kan worden opgezet door middel van gestructureerde gegevensverzameling, workflowbeheer en contextgebonden bewijs.

Hoewel AI-mogelijkheden zich voortdurend verder ontwikkelen, vormt de op een stevige basis berustende intentie, de gecontroleerde uitvoering en de traceerbare bewijsvoering de sleutel tot betrouwbare AI-inzichten. AI is slechts zo betrouwbaar als de gegevens, de context en het beheer waarop het is gebaseerd.

Als onderdeel van het onderling verbonden ecosysteem van expertise, technologieën en mogelijkheden van Danaher helpt IDBS klanten om sneller en met meer zekerheid hun ideeën om te zetten in concrete resultaten. Wij zetten rigoureuze methoden en portfolio-overschrijdende sterke punten in om u te helpen ‘connected science’ wereldwijd op te schalen – en dit op een gecontroleerde manier te doen.

Klaar om inzichten te koppelen aan bewijsmateriaal?

Als je door AI gegenereerde inzichten wilt omzetten in gestructureerd, herbruikbaar bewijsmateriaal, is de eerste stap om inzicht te krijgen in de huidige stand van zaken van je gegevensbasis. Neem de Beoordeling van de gereedheid van AI-gegevens om te beoordelen in hoeverre uw organisatie in staat is om AI in de gehele laboratoriumcyclus te ondersteunen.

Om hier dieper op in te gaan, kunt u onderzoeken hoe een gestructureerde, contextgerichte benadering van data de basis vormt voor schaalbare en betrouwbare AI:
Lees de Whitepaper over een contextgerichte AI-datastrategie voor de biofarmaceutische sector. Of contact met ons opnemen om te bespreken hoe uw organisatie de ‘governed middle’ kan opbouwen die inzichten koppelt aan bewijsmateriaal.

IDBS, een Danaher-bedrijf, helpt biofarmaceutische organisaties om wetenschappelijke gegevens om te zetten in betrouwbare inzichten die innovatie versnellen en de resultaten voor patiënten verbeteren.

Over de auteur

Door Anirban Mudi, hoofdproductmanager platform

Anirban MudiDr. Anirban Mudi is een doorgewinterde leider op het gebied van digitale wetenschap met meer dan 20 jaar ervaring in de industrie en de academische wereld. Hij maakt deel uit van het platform product management team bij IDBS dat de evolutie van het IDBS Polar platform aanstuurt om de farmaceutische industrie in staat te stellen zeer gecontextualiseerde, gestructureerde gegevens vast te leggen voor downstream toepassingen zoals data analytics, inzichten en AI/ML om de ontwikkeling van geneesmiddelen te versnellen.

Dr. Mudi is opgeleid als wetenschapper en heeft een doctoraat in de scheikunde behaald aan het IIT Delhi.  Met zijn expertise in de toepassing van geavanceerde technologieën zoals AI, IoT en cloud computing in de levenswetenschappen heeft dr. Mudi innovatieve digitale oplossingen ontwikkeld voor de levenswetenschappelijke sector. Hij zet zich met veel passie in om de volgende generatie te inspireren en pleit ervoor om praktijkervaringen met technologie te benutten om uitdagingen in de echte wereld op te lossen.

Deel deze pagina:

LinkedIn-deelknop Twitter-deelknop Facebook-deelknop knop voor het delen via e-mail
Svg+xml,%3Csvg%20xmlns%3D'http%3A%2F%2Fwww.w3

Je CMC-ontologie in de praktijk brengen | Pistoia Alliance 2026

Bezoek IDBS op de conferentie van de Pistoia Alliance, waar Ken Forman zal toelichten hoe organisaties een gedocumenteerde CMC-ontologie kunnen omzetten in een GxP-gecertificeerd operationeel kader. Ontdek hoe het koppelen van de ontologie aan experimentele gegevens zorgt voor gestructureerde, indieningsklare informatie, waardoor de gegevensuitwisseling, de naleving van regelgeving en de efficiëntie van CMC-processen worden verbeterd.

Meer lezen
CMC

Regelgevingsaanvragen bij de CMC: waarom kenniscontinuïteit belangrijk is

Biopharma-bedrijven hebben fors geïnvesteerd in het beheer van CMC-gegevens, maar velen blijven kampen met een minder zichtbare uitdaging: het behoud van de kennis die ten grondslag ligt aan cruciale ontwikkelingsbeslissingen. Naarmate producten vorderen in het ontwikkelingstraject en teams veranderen, kan het behoud van de wetenschappelijke context net zo belangrijk worden als het behoud van de onderliggende gegevens.

Meer lezen