Phil Kay

Phil Kay

Phil Kay es gerente de aprendizaje de JMP Statistical Discovery, una filial de SAS. Su trabajo consiste en comprender los retos de la ciencia y la ingeniería, y ofrecer orientación sobre soluciones de análisis de datos para organizaciones industriales de todo el mundo.

Phil ha sido un científico clave en el desarrollo de numerosos procesos de fabricación de colorantes para impresión digital en FujiFilm Imaging Colorants. Phil tiene un máster en Estadística Aplicada con una monografía sobre diseño de experimentos. También tiene un máster y un doctorado en Química.

Es miembro de la Real Sociedad de Estadística, químico colegiado y miembro del comité del Grupo de Química y Tecnología de Procesos de la Real Sociedad de Química.

A Phil le encanta mostrar a todo el mundo cómo el análisis de datos permite desarrollar una ciencia mejor. Siga a Phil Kay, evangelista del Análisis de Datos, en LinkedIn.

Las herramientas de que disponemos para comprender los sistemas vivos han avanzado enormemente durante mi vida. En solo las últimas dos décadas, el coste de secuenciar un genoma humano ha pasado de cien millones de dólares a menos de mil y, a su vez, el volumen de datos generados ha aumentado enormemente. Las innovaciones químicas como las técnicas de secuenciación, los marcadores fluorescentes y las reacciones bioortogonales han sido fundamentales para muchos de estos avances y, probablemente, la colaboración entre las distintas disciplinas traerá aún más. Sin embargo, la química también podría beneficiarse del préstamo de algunas ideas de la biología.

Específicamente, creo que se debería reconocer que los biólogos van por delante de los químicos en la carrera por digitalizar el aprendizaje empírico. Sin pensar siquiera en un «laboratorio del futuro», ahora mismo hay laboratorios de biología comerciales en los que la automatización de experimentos biológicos grandes y complejos es muy habitual. Si bien los beneficios que estos obtienen pueden ofrecer una orientación útil a medida que la química se digitaliza gradualmente, también podemos aprender de algunos de los usos menos eficaces de estas innovaciones.

La biología ha sido rápida en hacer realidad estos beneficios, en parte debido a la naturaleza de su investigación. Los biólogos se ocupan de sistemas complejos e interconectados y de propiedades emergentes, por lo que necesitan grandes experimentos para explorar y desentrañar esa complejidad y comprender los numerosos factores que podrían estar involucrados. Por ejemplo, si se necesita entender cómo afectan las mutaciones puntuales a la actividad de una proteína, es muy posible que se descubra que el efecto del cambio de un aminoácido en una posición dependerá de los aminoácidos que se encuentren presentes en otras posiciones. Explorar ese espacio de posibilidades puede hacerse de forma más eficiente y con mucho menos trabajo pesado mediante el uso de la automatización y los enfoques de alto rendimiento que se adaptan perfectamente a protocolos repetitivos a gran escala.

Las innovaciones digitales están generando mejoras inmensas en la calidad, el volumen y el ritmo de recopilación de datos.

Los experimentos de biología también tienen algunas ventajas inherentes: tienden a involucrar una gama bastante limitada de operaciones, el disolvente siempre es agua y el calentamiento generalmente se limita a poco más de la temperatura ambiente. Por lo tanto, las tecnologías capacitadoras que han tenido un mayor impacto consisten generalmente en dispensar con precisión pequeñas cantidades de diferentes ingredientes acuosos en recipientes muy pequeños. Y las sondas fluorescentes se han hecho tan importantes precisamente porque permiten realizar un seguimiento simultáneo de los resultados de un gran número de experimentos utilizando una tecnología de imagen bastante simple.

Las herramientas digitales también superan uno de los grandes desafíos de la biología. Los sistemas vivos son ruidosos, lo que puede conducir a falsos positivos y a falsos negativos, por lo que "hacerlo todo por triplicado" es el estándar en biología. Todo aquello que reduce el error aleatorio o sistemático e incrementa la relación señal/ruido es bienvenido. Los actuales robots de laboratorio son muy valorados por su capacidad de repetir constantemente tareas simples pero de importancia crítica, como el pipeteo.

La otra gran ventaja que se ha percibido en la biología digital no tiene que ver estrictamente con la automatización. Los experimentos digitalizados imponen la captura de las instrucciones de una manera fácil de estructurar para maximizar el aprendizaje. Cuando todas las operaciones de laboratorio relevantes se codifican explícitamente en el plan experimental, se pueden convertir fácilmente en características de los modelos basados en datos. Y no importa quién realice el experimento: las instrucciones serán las mismas, por lo que los resultados serán más fiables. Las instrucciones también se pueden compartir con otros científicos, lo que hace que la ciencia sea más reproducible. Es aún más potente cuando también se puede automatizar la captura de los resultados y los flujos de datos desde un hardware diferente.

La capacidad de probar simultáneamente cientos o incluso miles de posibilidades diferentes se traduce en que los biólogos pueden ahora formular preguntas que antes no tenían respuesta. Seguro que a los químicos también les parecerá bien algo así. Digitalizar la ejecución de la gran diversidad de experimentos químicos va a ser mucho más difícil, pero aún podemos aprender mucho de la biología, entre otras cosas cómo evitar los escollos.

Siempre debemos centrarnos en sacar el máximo partido de nuestros experimentos y asegurarnos de que cada ejecución cuente.

La experimentación digitalizada es un nuevo paradigma y debemos esperar algunos errores a medida que adaptamos nuestros métodos y mentalidad. Como químico de desarrollo, solía dedicar tres días a un solo ensayo, por lo que las últimas capacidades me parecen alucinantes, y no me sorprende que la gente se entusiasme con la promesa del aumento masivo del rendimiento experimental. Sin embargo, hacer más experimentos y obtener más datos no conduce automáticamente a una ciencia mejor. De hecho, estos enfoques pueden terminar derrochando dinero si el proyecto no se ha diseñado para aprovechar al máximo su potencial.

El diseño y análisis estadístico de experimentos (DOE por sus siglas en inglés) ha demostrado ser un método valioso en química desde la década de 1950. El método garantiza maximizar el conocimiento obtenido, especialmente en situaciones en las que solo es factible probar un puñado de las posibles combinaciones de factores porque es laborioso, lento y costoso. El DOE seguirá siendo importante porque estas limitaciones prácticas siguen siendo habituales para la mayoría de trabajos de laboratorio en I+D de química, a pesar de la automatización. Además, mantener una mentalidad DOE garantizará la eficiencia a medida que avanzamos hacia experimentos químicos totalmente digitales.

Las innovaciones digitales están generando mejoras inmensas en la calidad, el volumen y el ritmo de recopilación de datos para el aprendizaje empírico en biología. Será muy emocionante y estimulante adaptarse a medida que empiece a suceder lo mismo en química. Pero siempre debemos centrarnos en sacar el máximo partido de nuestros experimentos y asegurarnos de que cada ejecución cuente.

Si aún no utiliza DOE, puede obtener una introducción a esta valiosa herramienta en un taller en línea gratuito con expertos estadísticos de JMP. Obtenga más información e inscríbase en la colección Diseño mundial de experimentos de química en colaboración con JMP.

¡Sigamos en contacto!

Pueden ponerse en contacto conmigo por correo electrónico para informarme sobre noticias, eventos y ofertas de JMP. Entiendo que puedo retirar mi consentimiento en cualquier momento.

*
*

JMP es una división del Instituto SAS. Se tratará su información de acuerdo con la Declaración de privacidad de SAS.