U posljednjim godinama, troškovi dijagnostičkih i sekvencijskih tehnologija drastično su opali, što je omogućilo istraživačima da prikupi neviđenu količinu podataka o bolestima i biologiji. Nažalost, znanstvenici koji žele pretvoriti te podatke u nove lijekove često trebaju pomoć nekoga tko ima iskustva u softverskom inženjerstvu.
Tvrtka Watershed Bio pomaže znanstvenicima i bioinformatičarima u provođenju eksperimenata i stjecanju uvida putem platforme koja omogućuje analizu složenih skupova podataka, bez obzira na računalne vještine korisnika. Ova platforma temeljena na oblaku nudi predloške radnih tijekova i prilagodljivo sučelje koje pomaže korisnicima u istraživanju i dijeljenju podataka svih vrsta, uključujući sekvenciranje cijelog genoma, transkriptomiku, proteomiku, metabolomiku, visoko sadržajno snimanje, savijanje proteina i još mnogo toga.
„Znanstvenici žele naučiti o softveru i dijelu znanosti o podacima, ali ne žele postati softverski inženjeri koji pišu kod samo da bi razumjeli svoje podatke“, kaže suosnivač i izvršni direktor Jonathan Wang. „S Watershedom, to ne moraju raditi.“
Watershed koriste velike i male istraživačke ekipe u industriji i akademskoj zajednici kako bi potaknuli otkrića i donošenje odluka. Kada se u znanstvenim časopisima opisuju nove napredne analitičke tehnike, one se odmah dodaju na Watershedovu platformu kao predlošci, čineći najsuvremenije alate dostupnijima i suradničkima za istraživače svih profila.
„Podaci u biologiji rastu eksponencijalno, a tehnologije sekvenciranja koje generiraju te podatke postaju sve bolje i jeftinije“, dodaje Wang. „Dolazeći s MIT-a, ovaj problem bio je u mom fokusu: to je složen tehnički izazov. Također, to je značajan problem jer ti ljudi rade na liječenju bolesti. Znaju da svi ti podaci imaju vrijednost, ali se bore s njihovom uporabom. Želimo im pomoći da brže otkriju više uvida.“
No-code otkrića
Wang je planirao studirati biologiju na MIT-u, no ubrzo se oduševio mogućnostima izgradnje rješenja koja se mogu primijeniti na milijune ljudi kroz računalne znanosti. Na kraju je stekao i diplomu i magisterij na Odjelu za elektrotehniku i računalne znanosti (EECS). Također je bio na praksi u biološkom laboratoriju na MIT-u, gdje ga je iznenadilo koliko su eksperimenti spori i zahtjevni.
„Vidjela sam razliku između biologije i računalnih znanosti, gdje imate dinamična okruženja [u računalnim znanostima] koja vam omogućuju trenutnu povratnu informaciju“, objašnjava Wang. „Čak i kao pojedinac koji piše kod, imate toliko toga na raspolaganju s čim se možete igrati.“
Dok je radio na strojnom učenju i visokoučinkovitom računalstvu na MIT-u, Wang je također suosnovao firmu za visoke frekvencije trgovanja s nekim kolegama. Njihov tim zapošljavao je istraživače s doktoratima iz područja matematike i fizike kako bi razvili nove strategije trgovanja, no ubrzo su primijetili usko grlo u svom procesu.
„Stvari su se odvijale sporo jer su istraživači bili navikli graditi prototipove“, kaže Wang. „To su bile male aproksimacije modela koje su mogli pokrenuti lokalno na svojim računalima. Da bi te pristupe stavili u proizvodnju, trebali su inženjere da ih učine funkcionalnima na računalnom klasteru. No, inženjeri nisu uvijek razumjeli prirodu istraživanja, pa je bilo puno povratnih informacija. To je značilo da su ideje za koje ste mislili da bi mogle biti implementirane u jednom danu trajale tjednima.“
Kako bi riješili taj problem, Wangov tim razvio je softverski sloj koji je omogućio izgradnju modela spremnih za proizvodnju jednako lako kao što se grade prototipovi na prijenosnom računalu. Nakon nekoliko godina od diplomiranja na MIT-u, Wang je primijetio da su tehnologije poput sekvenciranja DNK postale jeftine i svuda prisutne.
„Usko grlo više nije bilo sekvenciranje, pa su ljudi rekli: ‘Hajde da sekvenciramo sve’,“ prisjeća se Wang. „Ograničavajući faktor postalo je računalstvo. Ljudi nisu znali što učiniti sa svim podacima koji su se generirali. Biolozi su čekali da im pomognu znanstvenici i bioinformatičari, no ti ljudi nisu uvijek razumjeli biologiju dovoljno duboko.“
Ova situacija Wang je bila poznata.
„Bilo je točno kao što smo vidjeli u financijama, gdje su istraživači pokušavali raditi s inženjerima, ali inženjeri nikada nisu u potpunosti razumjeli, a imali ste svu tu neučinkovitost s ljudima koji su čekali na inženjere“, kaže Wang. „U međuvremenu, saznao sam da su biolozi željni provođenja tih eksperimenata, ali postoji tako velika razlika da su se osjećali kao da moraju postati softverski inženjeri ili se jednostavno fokusirati na znanost.“
Wang je službeno osnovao Watershed 2019. godine s liječnikom Markom Kalinichom, bivšim kolegom s MIT-a koji više nije uključen u svakodnevno poslovanje tvrtke.
Od tada, Wang je čuo od izvršnih direktora biotehnoloških i farmaceutskih tvrtki o rastućoj složenosti istraživanja u biologiji. Otključavanje novih uvida sve više uključuje analizu podataka iz cijelih genoma, populacijskih studija, RNA sekvenciranja, masene spektrometrije i još mnogo toga. Razvijanje personaliziranih tretmana ili odabir populacija pacijenata za klinička ispitivanja također može zahtijevati ogromne skupove podataka, a nove metode analize podataka objavljuju se u znanstvenim časopisima gotovo svakodnevno.
Danas, tvrtke mogu provoditi analize velikih razmjera na Watershedu bez potrebe za postavljanjem vlastitih poslužitelja ili računa za oblačno računalstvo. Istraživači mogu koristiti unaprijed pripremljene predloške koji rade sa svim najčešćim vrstama podataka kako bi ubrzali svoj rad. Popularni alati temeljeni na umjetnoj inteligenciji poput AlphaFold i Geneformer također su dostupni, a Watershedova platforma olakšava dijeljenje radnih tijekova i dublje istraživanje rezultata.
„Platforma pogađa savršenu ravnotežu između upotrebljivosti i prilagodljivosti za ljude svih pozadina“, kaže Wang. „Nijedna znanost nikada nije doista ista. Izbjegavam riječ proizvod jer to implicira da nešto implementirate i zatim to jednostavno pokrećete u velikom obimu zauvijek. Istraživanje nije poput toga. Istraživanje se temelji na osmišljavanju ideje, testiranju i korištenju rezultata za osmišljavanje nove ideje. Što brže možete dizajnirati, implementirati i testirati, to bolje.“
Zaključak
Watershed Bio predstavlja značajan korak naprijed u omogućavanju znanstvenicima da analiziraju složene podatke bez potrebe za naprednim znanjem o programiranju. Ova platforma ne samo da olakšava pristup podacima, već i potiče suradnju među istraživačima, čime se ubrzava proces otkrivanja novih lijekova i terapija. Kako se tehnologije nastavljaju razvijati, očekuje se da će ovakve platforme postati ključne u biomedicinskim istraživanjima.
Najčešća pitanja (FAQ)
Što je Watershed Bio?
Watershed Bio je platforma koja omogućuje znanstvenicima analizu složenih skupova podataka bez potrebe za kodiranjem, koristeći predloške i prilagodljivo sučelje.
Kakve vrste podataka mogu analizirati na Watershedu?
Korisnici mogu analizirati različite vrste podataka, uključujući sekvenciranje cijelog genoma, transkriptomiku, proteomiku, metabolomiku i još mnogo toga.
Kako Watershed pomaže u istraživanju?
Watershed omogućuje znanstvenicima bržu analizu podataka, olakšava suradnju i omogućuje pristup najnovijim analitičkim tehnikama.
Koje su prednosti korištenja Watershed platforme?
- Jednostavnost korištenja bez potrebe za kodiranjem.
- Brzi pristup najnovijim analitičkim alatima.
- Olakšana suradnja među istraživačima.
- Prilagodljivo sučelje koje odgovara različitim potrebama korisnika.
Može li Watershed koristiti mala istraživačka tijela?
Da, Watershed je dizajniran tako da bude pristupačan i malim istraživačkim timovima, omogućujući im da provode analize bez potrebe za skupim infrastrukturnim ulaganjima.
