弥合原始序列数据与科学文献和其他文本数据源中积累的知识之间的差距是综合多组学分析面临的最大障碍之一。
人们通常会区分结构化和非结构化组学数据，其中结构化数据是可以用标准计算机算法处理的数据。但事实上所有组学数据都是非结构化的——只是程度不同而已。例如，原始读数可被视为非结构化数据，因为它们需要映射到已知参考文献才能进行任何有意义的分析。来自二手研究的数据通常是非结构化的，因为它来自多种技术，以多种类型和格式呈现，并存储在分布式数据存储库中。研究人员依靠熟练的生物信息学家来整合这些数据。来自科学文献和其他基于文本的信息源的数据当然是非结构化数据。这些数据经常被忽略，因为大多数传统分析工具无法处理文本数据。
借助LENSᵃⁱ™ 综合智能平台，我们的使命是构建下一代技术为所有组学数据带来结构，从而帮助弥合数据分析差距。为此，我们设计了一种革命性的解决方案，以 HYFT ®模式为中心对组学数据进行编码。HYFT® 模式提供了一个通用框架来组织异构组学数据库。每个 HYFT 都 比利时手机数据 是一个富含 DNA、RNA 和氨基酸数据的数据对象。更重要的是，每个 HYFT 还嵌入了元数据，其中包含有关位置、功能、结构、细胞类型、物种、致病性、途径、 作用机制 (MoA) 作用等的高级信息。所有 HYFT 都连接在一个数据对象网络中，以提供有关整个生物圈的信息。正是这个 HYFT 网络充当了 Lens ai 平台的数据基础 。
谷歌之于互联网，Lens ai解决方案之于生物圈，可以流式访问大量异构数据。LENSᵃⁱ将整个生物圈组织为一个由 6.6 亿个数据对象组成的多维网络，整合了多组学信息层——包括有关序列、语法和蛋白质结构的数据。借助LENSᵃⁱ，研究人员现在可以无缝访问所有原始序列数据以及来自公共和专有数据存储库的二级数据。
下一个重大机遇是通过整合来自文本知识源（例如科学期刊、电子健康记录 (EHR)、临床笔记等）的非结构化数据来增加 Lens ai生物圈中嵌入的结构信息量。将结构化序列数据和元数据与非结构化文本数据相结合可以显著提高药物发现和开发过程的效率和生产力。例如，整合非结构化数据可以提升临床前开发在靶标反卷积、生物风险评估、靶标识别信息流、先导物选择、IP 分析、相互作用筛选和先导物选择期间的 MoA 确定方面的水平。