De farmaceutische sector beleeft een van de grootste verschuivingen in decennia, en IT staat er middenin. Peptidegeneesmiddelen zoals de GLP-1-middelen trekken miljardeninvesteringen aan, terwijl AI-modellen de manier veranderen waarop nieuwe moleculen worden ontworpen. Daarmee verschuift ook de rol van IT in het laboratorium, van ondersteunende afdeling naar strategische motor.
In dit artikel lees je hoe AI, labautomatisering en data-integriteit het peptideonderzoek veranderen en welke eisen dat stelt aan de IT-infrastructuur van onderzoeksorganisaties.
Een onderzoeksveld dat draait op data
De opmars van GLP-1-middelen heeft het onderzoek naar peptiden in een paar jaar tijd sterk vergroot. Na semaglutide en tirzepatide werkt Eli Lilly aan retatrutide, een experimentele stof die drie hormoonreceptoren tegelijk aanspreekt en in klinisch onderzoek opvallende resultaten liet zien. Rond zulke moleculen ontstaat een breed ecosysteem van universiteiten, biotechbedrijven en contractlaboratoria die het werkingsmechanisme verder onderzoeken.
Voor IT betekent dat vooral één ding: meer data, uit meer bronnen, die betrouwbaar herleidbaar moeten blijven. Laboratoria die retatrutide kopen voor in-vitro-onderzoek, registreren bij ontvangst het batchnummer en het certificaat van analyse in hun systemen, zodat elk experiment later te koppelen is aan het exacte materiaal. Zonder die koppeling is een resultaat wetenschappelijk weinig waard.
Die herleidbaarheid begint dus al bij de inkoop en de ontvangst van onderzoeksmateriaal. Organisaties die dat proces nog handmatig in spreadsheets bijhouden, lopen tegen grenzen aan zodra het aantal batches, leveranciers en experimenten groeit.
AI als ontwerptool voor nieuwe moleculen
De grootste doorbraak in de computationele biologie kwam van AlphaFold. Het model van Google DeepMind voorspelde in 2020 tijdens de internationale CASP14-competitie eiwitstructuren met een nauwkeurigheid die eerder alleen met jarenlang laboratoriumwerk haalbaar was. In 2024 ontvingen Demis Hassabis en John Jumper daarvoor de Nobelprijs voor Scheikunde, samen met David Baker voor zijn werk aan computationeel eiwitontwerp.
Voor peptideonderzoek opent dat nieuwe mogelijkheden. Onderzoekers kunnen met generatieve modellen duizenden varianten van een peptide digitaal ontwerpen en laten beoordelen op stabiliteit en bindingseigenschappen, voordat er ook maar één molecuul wordt gesynthetiseerd. Het laboratorium verschuift daardoor van ontdekken naar valideren.
Die werkwijze vraagt om flinke rekenkracht. GPU-clusters, cloudomgevingen voor high-performance computing en goed georganiseerde datapijplijnen zijn inmiddels net zo belangrijk als pipetten en analyseapparatuur. Wie modellen wil trainen op eigen experimentele data, moet die data bovendien gestructureerd en van hoge kwaliteit kunnen aanleveren.
Labautomatisering en het slimme laboratorium
Parallel aan AI rukt automatisering het lab in. Peptidesynthesizers koppelen aminozuren volledig geautomatiseerd, pipetteerrobots voeren duizenden metingen per dag uit en analyseapparatuur zoals HPLC- en massaspectrometriesystemen levert digitale resultaten direct aan centrale systemen. Het concept van het self-driving lab, waarin AI het volgende experiment kiest en robots het uitvoeren, wordt in onderzoeksinstellingen al actief getest.
Een Laboratory Information Management System, kortweg LIMS, vormt daarin het zenuwcentrum. Het registreert monsters, batches, apparatuur en resultaten en koppelt die aan elkaar. Moderne LIMS-oplossingen draaien steeds vaker als SaaS en communiceren via API’s met apparatuur, elektronische labjournaals en analyseplatformen.
De uitdaging zit in de integratie. Veel laboratoria werken met apparatuur van verschillende fabrikanten, elk met een eigen softwareformaat. Standaarden voor dataformaten en een goed doordachte integratielaag bepalen of een lab echt slimmer wordt of alleen meer losse systemen krijgt.
Data-integriteit als harde eis
In onderzoek en farmaceutische productie is data-integriteit geen nice-to-have. Toezichthouders als de Amerikaanse FDA en de Britse MHRA hanteren de ALCOA+-principes: gegevens moeten toewijsbaar, leesbaar, gelijktijdig vastgelegd, origineel en nauwkeurig zijn, en daarnaast volledig, consistent, duurzaam en beschikbaar. Voor IT vertaalt zich dat naar audit trails, versiebeheer en strikte toegangscontrole.
Elke wijziging in een dataset moet herleidbaar zijn naar een persoon en een tijdstip. Systemen die gegevens zonder spoor laten overschrijven of verwijderen, zijn in een gereguleerde omgeving ongeschikt. Ook back-ups en archivering vallen onder deze eisen, omdat onderzoeksdata vaak jarenlang bewaard en controleerbaar moeten blijven.
Daarbij komt validatie. Software die wordt gebruikt voor gereguleerd onderzoek of productie moet aantoonbaar doen wat ze belooft, wat vraagt om gedocumenteerde test- en releaseprocessen. IT-teams die gewend zijn aan snelle releasecycli, moeten daar een balans vinden tussen wendbaarheid en aantoonbare controle.
Cybersecurity in een waardevolle sector
Onderzoeksdata over nieuwe moleculen behoren tot de meest waardevolle bedrijfsgegevens die er zijn. Dat maakt farmaceutische bedrijven en onderzoeksinstellingen een aantrekkelijk doelwit voor ransomware en spionage. Een gecompromitteerde dataset kan jaren onderzoek waardeloos maken, ook als de systemen zelf snel weer draaien.
De Europese NIS2-richtlijn heeft de lat hoger gelegd. Fabrikanten van farmaceutische producten vallen onder de richtlijn, met verplichtingen rond risicobeheer, het melden van incidenten en de beveiliging van de toeleveringsketen. Ook leveranciers van IT-diensten en software aan deze sector krijgen daardoor strengere eisen van hun klanten.
Voor IT-beslissers in de sector ligt de prioriteit daarom bij segmentatie van labnetwerken, het beveiligen van vaak verouderde apparatuur met ingebouwde pc’s en een helder overzicht van alle koppelingen met externe partijen. Organisaties die data-integriteit en beveiliging vanaf het begin in hun architectuur meenemen, kunnen de kansen van AI en automatisering het snelst en veiligst benutten.
