hth·华体会体育调研近30位行业专家解析千亿医学实验室智慧化市场三大趋势随着生物科技的发展、新冠疫情的常态化，市场对药物研发、生物实验和检验检测相关的需求猛增，使得处于产业上游的实验室的智慧化被投以了越来越多的关注。近年来，基于5G、物联网、人工智能和大数据等技术，实验室正经历着智慧化的变革。

　　蛋壳研究院此次聚焦医学类实验室智慧化建设，为了厘清目前国内智慧医学实验室建设现状，并刨根各类医学实验室智慧化建设的需求与有效解决方案，蛋壳研究院通过对政策的理解、对行业数据的度剖析，调研4家科研院所、15家创新企业、3家投资机构，访谈28位专家、企业创始人和投资人，制作了本次报告，我们得出以下结论：

　　智慧医学实验室尚处起步期，亟待交叉背景人才加入。智慧医学实验室领域处于行业发展早期，是一个新兴的交叉领域，亟待拥有软硬件工程、人工智能和生命科学、生物技术、医学等交叉背景的人才加入。目前，从投资的角度来看，智慧医学实验室建设领域，创始人或核心团队是否拥有科技技术与生命科学交叉学科背景是一个极其重要的参考维度。

　　软硬件结合的产品更受市场青睐，早期服务企业合作之势大于竞争。智慧化的过程中，软件和硬件在不同的环节帮助医学实验室更加便捷、高效地运行，并且让实验室的安全和合规更有保障。其中，软硬件结合的产品由于智慧化覆盖范围更广、需求解决更深入等优势，对于医学实验室管理者更具吸引力。而服务企业大多早期业务覆盖范围有限。因此，为加速打开覆盖广而深的智慧化实验室市场、提高医学实验室智慧化渗透率，目前服务企业之间的合作之势大于竞争。

　　不同类型医学实验室，将各自出现智慧化建设的标杆解决方案。生化检测、基因检测、药物研发等各类医学实验室流程差异大，对智慧化的建设需求也不同。因此，深入理解各类医学实验室需求对产品的研发至关重要。早期，大多数企业由于有限的精力、能力和资源，无法同时对各类医学实验室进行深度理解，而是从某一类医学实验室场景出发，提供相应解决方案。目前，在各类医学实验室中还未出现拥有较高竞争壁垒的标杆智慧化建设解决方案。未来，随着企业对各类实验室场景需求理解越来越深入，加上技术和产品的不断进步和优化，各类实验室将逐步出现通过市场验证的标杆解决方案。

　　智慧化建设在传统工业领域已经有较为成熟的运用，例如食品、汽车生产等领域通过全自动流水线建设，部分替代，甚至某些领域实现全面代替人工，极大提高了生产效率、提升了产品质量并减少了生产成本，为领域带来大幅度效益增长。

　　近年来，同样对效率有高要求的医学类实验室也意识到了智慧化建设的作用，例如通过自动化设备或流水线建设替代重复性高的机械性人工操作、通过信息化建设将实验室信息数据化从而避免人工记录错误、通过数字化建设帮助实验更高效运营等。

　　在医学领域，包括临床检验检测、药物研发、生物实验等多类型实验室也开始尝试通过自动化、信息化及数字化的建设让实验室从度“智慧”起来，这类实验室，我们称之为智慧医学实验室。

　　智慧医学实验室用技术为实验室降本增效。实验室的智慧化建设，基于物联网、5G、人工智能、大数据、云计算、VR/AR、区块链和GIS等关键技术，通过硬件设备和软件系统作为应用载体，帮助医学实验室在实验部分和非实验的运营部分两大事务中的各环节更高效、便捷、安全、合规，从而达到降本增效的目的。

　　通过调研访谈，我们将架构模型中的应用场景划分为两个部分，即实验和运营部分。实验部分包括实验设计、实验实施、实验协作等；运营部分包括合规安全管理、人员管理、耗材管理等。

　　此外，在架构模型中，智慧医学实验室建设路径包含了自动化、信息化和数字化建设。值得一提的是，三条路径可能同时发生，对于不同类型的医学实验室，三条路径的进程也会有所区别。

　　自动化：优化实验流程和实验数据产生。自动化是指机器设备、系统或生产和管理过程在没有人或较少人的直接参与下，按照程序设定，经过自动检测、信息处理、分析判断、操纵控制，实现实验预期的目标。医学实验室的自动化，基于视觉技术、伺服技术、物联网技术、人工智能技术等，在自动化的仪器设备、自动化生产流水线、机械臂等硬件支持下，辅以配套软件减少人力参与，让实验流程自动进行从而让实验数据自动产生并记录。

　　信息化：优化运营数据产生、优化实验数据记录。医学实验室的信息化是指基于5G、大数据、物联网等技术，在传感器等硬件设备及配套软件系统的支持下，一方面将涉及实验室运营管理的信息（如环境温湿度、耗材库存量等）以数据形式呈现，将纯人力的监督判断行为转化为基于数字的公式算法；另一方面将习惯于纸质记录的实验设计、数据及流程等信息转化为电子版的呈现，并配以相应标签，为数字化的应用提供数据基础。

　　此外，实验室信息化还可将实验室人员出勤状态、样品存储状态、设备运行状态、环境温湿度状态、耗材及试剂库存状态、实验状态、业务财务流程状态等全部以数据信息的形式展现，为数字化应用提供充分的数据基础。

　　数字化：优化实验和运营的流程及数据应用。这一步主要是通过软件系统完成的。其实专注于自动化、信息化的设备几乎都配以相应的数字化软件以达成数据从产生到使用的闭环，也有不少专注于实验室数字化的软件，辅助完成实验的流程设计、过程实施、结论验证和实验数据的度分析，如我们熟悉的LIMS及ELN类软件。

　　实验室数字化基于大数据、云计算和人工智能等技术，对实验室产生的大量实验和运营数据进行整合、分析，建立模型算法，帮助实验实施和实验室运营更加合规安全、高效便捷。

　　可见，医学实验室智慧化的过程涉及的模块多、形式广，几乎在实验室发生的一切都可以通过硬件与软件的帮助变得更加便捷、高效、安全或者合规。

　　目前，智慧医学实验室的建设方式主要分为两类，一类是由生物医药、生命科学类企业等需求端企业自建智慧医学实验室；另一类则是由医学实验室与专注智慧化建设服务的企业合作建设智慧医学实验室。

　　我们根据进行智慧化建设的医学实验室所涉及的实验领域，将本报告厘定的医学实验室主要分类为三大主体。

　　我们根据市场调研和专家采访的数据梳理，通过测算公式：市场规模=各类实验室数量x各类实验室配置金额，得出全国智慧化实验室市场规模估算值。再运用公式：估算值x（1-智慧医学实验室渗透率）得到未来赛道成长空间。

　　医学实验室智慧化渗透率不足20%，超千亿市场待开发。根据测算，智慧医学实验室领域有超千亿的市场处于待开发状态，前景广阔。在调研访谈中，我们还得知，自动化市场（硬件服务为主）需求规模约数千亿元；实验室信息化、数字化（软件服务为主）需求规模约为数百亿元，但多位受访的业内专家表示，此预计为保守估计，未来市场规模有望在技术、政策及资本的驱动下，进一步提升。

　　政策：顶层设计支持实验室智慧化发展。政策广泛地影响着产业的发展路径和企业的经营行为，在中国的国情之下，政策对于高新技术的发展影响尤为深刻。蛋壳研究院梳理了近十年来，我国国家和省级政府单位颁布的有关实验室智慧化发展的相关政策。

　　在国家级18条相关政策中，涉及实验室数据管理的相关政策为10条，占比超50%，显示出国家对于实验室数据管理的重视，为实验室数字化服务企业的发展奠定了良好的政策基础。其中，涉及实验室设备管理和环境管理的分别为5条和6条。

　　从政策上看，各级政府机构正在积极推动医学实验室的信息化进程，以安全、高效地实现科研目标。智慧化已是实验室开展科研项目工作的必然选择。

　　资本：头部机构紧追新兴赛道。从融资轮次看，在近五年的智慧实验室赛道投融资事件中，除个别企业已进入到C轮融资外，其他企业投融资轮次均定位在A轮前后，显示出赛道的发展目前还处于早期。

　　图表9 智慧医学实验室建设服务企业近5年投融资事件盘点（按融资轮次排序，轮次相同按企业成立时间倒序）

　　从融资企业的业务布局分类来看，提供实验室硬件设备企业和提供实验室软件系统的企业存在不同的投融资特点。目前，大部分的被投企业业务更偏向于器械、设备的自动化及相应的平台系统。其原因主要是自动化硬件设备行业发展较为成熟，在我国已经经历了技术发展的积累期；提供智慧实验室软件系统的企业在投融资赛道目前还属于少数，且处于投融资环节的极早期。

　　目前医学实验室主要分为检验检测和研究研发两类。各类医学实验室由于实验类型不同，在智慧化建设的过程中也拥有不同的需求。为了厘清不同类型实验室需求及相应解决方案，我们依据主要实验操作和实验操作目的两个维度，将医学实验室分为“检验检测类实验室”和“研究研发类实验室”两类。

　　接下来，我们将先从操作流、样本流和信息流三个方面，分别对两类医学实验室的智慧化建设需求与具体解决方案进行解析；再从合规等两类实验室的共性问题出发，探索相应的智慧化解决方案。

　　提升操作友好性，让检验检测流程更流畅。检验检测实验室内操作流程大多为重复的、机械性的操作，操作人员难免出现操作失误，例如扣盖不准确导致样品遗漏或温湿度控制不精准导致样本检查无效，因此提高操作友好性让操作流程更简单、流畅，对于长期进行重复动作的操作人员来说十分重要。

　　确保数据正确，避免错误数据带来的医患伤害。样本检验的结果是对患者开展诊断和治疗的依据，因此，确保操作人员每一步操作正确十分关键。传统实验室中，为了避免操作失误导致的数据错误结果给医院和患者带来难以想象的伤害，操作人员时常需要接受操作培训，且各操作流程环节均需相关操作人员签字确认。可是，这个耗费人力、物力的过程依然难以彻底避免错误发生。如何更彻底、有效、低成本保证数据正确，对于减少潜在的医患伤害至关重要。

　　提升样品峰值处理能力，为实验室增加效益。每日实验室出具数据结果的数量与操作人员人数和熟练程度有关。对于医院来说，通常每天早上6点开始采血，这时临床检验科迎来了第一个样本处理需求高峰时期。此时，由于操作人员数量有限，易出现样本处理能力无法满足大量需求的情况。对于许多第三方检验检测机构来讲，样本处理效率更是直接关乎实验室的效益，更高效的样本处理能力也意味着更多的业务收入。所以，检验检测类实验室如何提升单位时间内检验检测数量十分重要；而在疫情之下，急遽增加的核酸检测需求让相关实验室效率提升的需求变得十分迫切。

　　自动化建设，降低检验检测类实验室人力和占地成本，提高样本处理效率。越来越多的检验检测实验室通过技术的帮助，让实验室的操作流程“智慧”起来。这个过程主要依靠实验室的自动化建设，逐步替代人力。

　　在1.0阶段，实验室通过引入更“智慧”的仪器设备，提升操作友好性，例如全自动生化分析仪、全自动血凝仪等，解放了操作人员大量重复枯燥的基础操作的同时，也避免了较多人为操作导致的偏差和错误。

　　2.0阶段，在拥有了自动化检验检测设备后，实验室开始尝试各操作模块的自动化建设，这一阶段建设需要借助机械臂、智能机器人和人工智能等设备及技术。

　　这些模块包括样品前处理阶段的加载模块、离心模块、去盖模块、及分杯模块等；样品检验检测阶段的识别模块、校准模块和质控模块等；以及样品后处理的消毒模块、分类模块等。这一步“智慧”建设，进一步释放了检验检测类的操作人员。

　　最终3.0阶段，接近于常说的“黑灯实验室”，这一阶段在2.0基础上还需要加入轨道技术和气动传输等技术，让检验检测的所有流程都通过全自动流水线阶段的自动化建设后，检验检测实验室可彻底解放实验室操作人员，并几乎可以避免实验结果的错误。这样一来，实验室由于无需留出人员走动通道而更加紧凑且节约实验室空间成本，更重要是实验室检验检测效率得到了极大提升，能够明显为检验检测实验室降本增效。

　　我国临床检测实验室基本已经配备全自动或半自动检测设备，而完成流水线建设的实验室渗透率不足15%，多集中在大型医院以及部分第三方检验室。这是由于如生化、免疫、微生物检验和分子诊断等每一种业务拥有相对固定的实验（检验检测）流程，另一方面，该类实验室需要满足严格的合规性要求，这也让产品设计过程更加“有依可循”。

　　进口服务企业占主导，国产替代核心是技术。自动化建设费用门槛较高，单个仪器设备价值几十至几百万不等，而流水线建设则需要几百至几千万甚至过亿的成本。因此，自动化建设需要在刚需和支付能力的双重“支持”下进行。目前，自动化建设较为领先的实验室集中在大型三甲医院、大型第三方检测实验室以及大型基因检测或高通量测序企业。这类检验检测类实验室有较强支付能力，满足自动化建设的经济条件，但也因为“不缺钱”会更倾向于选择进口品牌仪器设备或流水线建设服务。

　　要实现国产替代，关键核心还是技术的先进性。国内实验室自动化建设市场，海外企业西门子、贝克曼库尔特、罗氏、雅培等依然占主导。据调研，当前除新冠产品外，我国IVD市场国内企业的份额仅占40-45%，而且主要集中在二级及以下的基层医院，但是，随着技术壁垒不断突破，国内企业将在不远的将来占据我国IVD市场70%以上的份额。

　　此外，在智慧实验室这一细分领域，目前主要是国际同行提供的整体方案，国产仪器设备供应商相对产品单一、不能形成完备的产品体系，在产品的核心零部件方面还高度依赖第三方，所提供的产品方案在稳定性、人机交互便宜性及技术先进性上与海外产品还存在差距。

　　总的来说，虽然我国实验室自动化建设较欧美等国家起步晚，但我国技术追赶及创新实力强劲，加上政策和资本助力，“技术”的国产替代之路正加速进行。值得一提的是，除了与自动化建设服务商合作外，国内不少大型基因检测或高通量测序企业等也通过自身技术自建自动化检验检测实验室。

　　检验检测类实验室常见的标本一般包括血液（指尖血、静脉血）、尿液、粪便、脑脊液、胸腹水、前列腺液等，为了结果准确可靠，这些标本收集的时间、方法和保存都有一定的要求。

　　样本管理从采集到分析后处理，涉及物理位置及物理状态管理。对于检验检测类实验室，样本的管理覆盖了从采集环节（进入实验室之前）到完成分析后的销毁或保存处理全流程，主要涵盖了采集、运输、分析和销毁或保存。采集和运输之间、运输和分析之间如果时间间隔较长，为确保样本在有效状态，还会涉及到样本保存甚至样品离心环节。

　　全流程、一体化智慧样本管理正在兴起hth·华体会体育。传统的样本管理主要采用人工核验和纸质记录，负责样本管理的人员全部工作均人力完成，效率极低，且样本容易受到人为操作污染，错误率高。智慧样本管理的需求由此而生，这一过程大致也可以分为三个阶段。

　　1.0阶段主要采用条码扫描+电子记录的方法进行样本管理。条码扫描提升了样本采集、查找等环节的效率，电子记录也保证了样本结果的可追溯性。

　　2.0阶段主要采用物联网和大数据技术，通过传感器感知样品物理状态再通过软件系统进行一体化全流程（从采集到分析后的处理）样本管理。以血液采集场景为例，在传统及1.0阶段的管理中，血液采集后样本管理未实现体系化，在部分血站和医院内，查找时耗费大量时间和人力，易出现人为差错，而且存在样本保存环境不达标，样本损坏的风险。在2.0阶段中，通过传感器感知样本的物理位置及物理状态，包括温度、颜色和分层等情况，然后通过软件系统可快速定位样本物理位置进行查找、实时了解样本处理进程，并实时识别样本物理状态且在异常时报警等。

　　3.0阶段在2.0的基础上加入了自动化的流水线建设，进一步减少了样本及处理过程中的人力工作。传统采集后的样本统一储存放在存放箱，累积一定数量后由医院人员送到检验科进行检验。在样本管理的3.0阶段，采集的样本通过流水线自动被运输到实验室后，会得到立刻的处理和分析。这样一来，医生上班后便可查看结果而无需等待或反复查阅结果是否已经出具。

　　除了样本采集、运输、分析环节可以实现自动化，样本分析后的处理过程也可通过流水线全自动处理，按设定的处理要求进行消毒销毁或分类存储。不过这一阶段适用于样本采集及处理发生在同一地点的应用场景，如医院场景的生化检验、免疫检验和分子诊断等。

　　从“质量”上让数据管理更智慧。通过自动化建设让数据产生的过程完全按照设定，从而保证了产生过程中数据的质量；在数据产生后的应用过程，同样也需要保证数据质量。对于检验检测类实验室，应用过程的数据质量保证主要体现在两个维度，第一是结果与“人”的精准对应，第二是同一个人的多种数据快速精准集成、审核并按照模板输出报告。

　　数字化管理软件在数据应用过程保障数据质量。将实验室中所有仪器产生的数据有效集成，是此过程的第一步。实验室使用来自不同品牌的各种仪器设备，大多数硬件设备都配有相应的中控软件以便实验室查看、导出和下载检验检测数据结果，但各品牌厂商出于产品数据保护或商业目的，并不完全开放仪器设备的数据接口，使得仪器设备数据无法互联互通，实验室信息孤岛丛生。因此，如何打通仪器设备的数据接口，实现全实验室数据互联互通是首需解决的问题。

　　其次，不同仪器设备数据以不同形式生成，且各自格式不同，因此在数据集成与输出报告之间，还涉及数据抽取、归集、清洗、分类和储存等数据处理需求。由此，相关的专业管理软件产品应需而生，保障检验检测类实验室在数据应用过程中的“质量”。

　　最早出现的实验室管理系统LIMS，围绕样本优化数据管理。目前，服务于智慧实验室的软件系统较多，如LIMS、LES、ELN、SDMS、CDS等，其中最早出现的是实验室管理系统（Laboratory Information Management System，LIMS）。

　　自20世纪60年代起，经过了多年的发展累积，对于标准化较强的检验检测类实验室所使用的仪器设备，LIMS系统已经拥有强大的数据集成能力，并且能够通过一系列数据处理环节后按照模板设置出具相应报告。

　　LIMS很好地解决了检验检测类实验室在数据应用中的智慧化升级需求，但LIMS的功能远不止于此。除了对检验检测本身产出的结果数据的管理（如图表中蓝色模块部分所示），LIMS围绕样本，还涉及样本登记、任务分配、实验分析过程、结果审核和报告发布等流程的管理（如图表中橙色模块部分所示）。

　　近年来，LIMS产品呈现不断延伸的趋势，在原有的样本管理流程基础上加入试剂管理、仪器校核、QA数据统计信息管理、财务报价等模块，实现更加全面的实验室管理。正是由于LIMS软件模块功能的不断衍生和创新，也使得各企业的LIMS产品之间可能存在不少差异。

　　实验室的自动化建设，个性化定制需求更高。研究研发类实验室自动化建设与检验检测类实验室有着相似的阶段，不过，前者实验流程更加灵活，这意味着服务研发类实验室的智慧化建设企业需要付出更多的人力成本，在充分理解实验流程的基础上，做定制化开发和配置。

　　拥有强大的模块基础+根据需求将基础模块快速集成是自动化建设关键。服务企业要帮助研究研发类实验室完成自动化建设需要具备的关键能力之一是拥有足够强大的基础模块能够覆盖全部的操作环节，这是对企业在具体实验室应用场景需求理解上的考验。

　　其二就是能够深入了解每一个实验室应用场景需求，并根据需求将相应基础板块适配起来，快速响应复杂而非标准的需求。因此，对于服务企业来说，基础模块建设与模块之间的快速组合能力需要重点打磨和提升。

　　自动化建设解放人力的同时，提高实验效率、降低实验错误率，节约实验总成本。研究和研发过程是一个不断试错的过程，传统实验室需要耗费大量的劳动力，这种高重复性和高不确定甚至高失败率的过程，对于科学家和研究员是身心的双重考验。自动化建设可以将科学家和研究员从不断重复的实验中解放出来，从而专注于实验本身的设计、调整和结果分析上，不仅如此，通过自动化仪器及机器人的辅助，实验效率也大幅提升。

　　此外，据调研，药物研发的过程中，由于实验人员操作失误导致的成本增加占总成本超过30%，自动化建设可以有效避免这部分不必要的成本。加上高操作精度的机器人或机器手臂的运用，实验环节试剂使用可以减少到传统人工操作的五分之一，从而从另一个维度继续减少实验总成本。

　　数字化建设hth·华体会体育，缩短研究研发进程。以新药研发为例，这个对药企和全世界医疗意义非凡的过程，存在耗时长、投入高、成功率低的痛点。

　　医学实验室数字化建设可以在药物研发的全流程提供辅助。从实验室阶段的靶点发现到化合物研究，再到后期的志愿者招募信息，以及后期的利用可穿戴设备连接实验室管理系统进行的远程监控和实时数据反馈实验室进行分析等环节，通过软件系统助力都可以提升效率，降低新药研发成本同时控制新药研发风险。

　　传统的高通量筛选库通常含有约百万种化合物，其中每种化合物价格通常为50-100美元。初始筛选过程可能花费数百万美元加上几个月的工作。随后的先导化合物优化可能需要数年才能确定临床前候选药物。相比之下，采用智慧化的药物发现系统，虚拟化合物几天内可以筛选数十亿个分子的文库，预测识别临床前候选物将缩短时间至几个月至一年。

　　智慧化实验室在新药发现中运用的AI技术包括自然语言处理、机器学习、深度学习、知识图谱、计算机视觉等，目前机器学习和深度学习方法算法模型在药物靶点发现、化合物高通量筛选、蛋白结构及作用预测等方面应用较为广泛。此外，人工智能在医学实验室中的常见应用环节还包括：

　　细胞研究阶段的智慧化。传统的视觉检查识别图像分析效率极低，通过智慧化的图像分析系统可以对目标细胞类型进行快速鉴别与分析。以乳腺癌细胞为例，通过改变图像对比度将细胞图像从背景中分割并提取不同类型的纹理特征，运用最小二乘法与支持向量机（LS - SVM）等算法数字化系统进行高速细胞分类。

　　对于细胞分选，基于AI的图像分析决策可以使机器人准确地分离样品中的不同细胞类型。目前大部分图像激活细胞分选（IACS）设备使用基于AI的卷积深度神经网络算法（DDN），可以在几十毫秒内进行高速数字图像处理和决策。

　　在药物筛选中的智慧化。药物的构效关系是指药物的化学活性与药效的关系。传统的构效关系研究以定性研究为主，生理活性物质结构与活性的关系进行推测，进而确定靶酶活性位点的结构并设计。智慧化药物发现手段的运用，使得以计算机为辅助工具的定量构效关系（QSAR）方法成为合理药物设计的重要方法之一。

　　药物设计中的智慧化。由于新药物分子通常根据靶蛋白的配体结合位点的3D微观空间信息设计，因此靶蛋白3D结构对于基于结构的药物发现至关重要。智慧化、数字化工具的发展将助力全球创新药企提升药物研发效率和成功率。

　　根据动脉网数据库资料显示，目前在我国从事智慧化新药发现的企业超过50家，我们统计部分企业今年投融资信息后发现，目前该赛道在经历了前期的投融资的热度衰退后，正迎来理性发展、细分领域下沉与分化的阶段。部分企业逐渐专注于数字化驱动的某一阶段服务；部分企业开始尝试与硬件甚至实验室创新药研发其他环节服务的融合。

　　智慧化样本培养、运输及储存，保护价值连城的样本。在检验检测类实验室中，样本需要被即时分析处理给出数据，而在研究研发类实验室中，样本往往需要被正确制作、培养以及保存较长的时间，因此在样本管理的需求中，后者在前者的需求基础上对样本的制作、适温培养和低温储存及运输的需求更加迫切。围绕这三点需求，智慧化样本管理依然需要专业硬件设备及配套软件系统共同助力。

　　自动化建设，提高制样效率、避免人为差别。很长一段时间，拥有强“样本制作能力”的研究员是实验室重要价值之一。如果将制样“重任”全部放在一人身上，制样效率难以满足实验需求，而多人制样，样本间质量的差异又不可避免（事实上，哪怕同一人制作的样本也极易出现差异）。自动化给了制样完美的解决方案，一方面解放人力，提升样本制作效率；更重要是保证了样本的同质性。

　　软硬件融合，智慧监控样本保存环境。样本的低温状态一方面靠过硬的技术设备提供，另一方面还需要配套的智能软件监控。低温冰箱供应商往往为样本保存设备配置有相应的软件系统，以实现在温度出现异常时立即报警，避免样本损坏的监控职能。此外hth·华体会体育，来自软件研发企业的专注样本管理的软件系统也为实验室管理者提供了另一种选择。

　　研究研发类实验室的数据处理需求维度更广。研究研发类实验室产生的实验数据形式更加多样，除了与检验检测类实验室一样产生大量的数字数据外，通常还有大量的图片、记录样本状态的文字、对于操作流程记录的文字等。此外，研究研发类实验室对于数据处理的需求也更为，除了将数据集成后按照模板排序外，还涉及大量的计算，并需要满足实时查询和调用的需求。

　　软件助力高效处理实验数据、避免数据错误，降低研发成本。为了满足研究研发类实验室对于数据处理的需求，电子实验记录本ELN（Electronic Lab Notebook）应需而生。在实验数据的记录、存储、查询、计算、运用上对于传统的流程都带来了极大的智慧化升级。

　　ELN不仅是将记录在纸上的数字、文字、图片等变成电子化格式，更重要是对于数据的处理和应用。例如，如何对每一个数据精准打标签是对软件智慧化程度的极大考验，标签打得越精准、维度越全面，越能提高数据查询、计算、运用的效率，提升软件的“智慧度”，从而更加切实帮助科学家和研究员解决实验中数据管理的问题。

　　在对实验室的调研中得知，由于数据错误造成的实验成本占据总实验成本的近30%。而ELN的运用，就能极大程度减少甚至避免这样的成本。

　　此外，ELN也增加了实验数据的共享性。过去纸质版本的数据通过复制或邮件传输等方式传递，而ELN的使用可以直接登录账号查看，并且数据还可以进行分权限管理，便捷的同时也提升了数据的安全性。海外ELN领头企业Benchling发布数据，其现有客户在ELN产品助力下，研发效率提高了4倍，电子邮件数量减少了67％，极大地加快了科学家的研究进度。

　　各类软件系统，从不同点切入帮助医学实验室更“智慧”。近年来，随着国内医学实验室逐渐从野蛮生长向精耕细作进化，除了本报告已经提及的LIMS、ELN软件外，也逐步出现了更多专注某一细分板块的管理或应用软件。

　　目前，各类性质的软件呈现协同和集成的趋势，通过延伸扩展自身模块或与软件集成的形式丰富软件性能，以更好覆盖整个医学实验室数字化管理与应用需求。

　　智慧实验室软件管理系统亟待更加“科学”的价值评估方式。需要注意的是，我国智慧实验室建设软件研发企业普遍融资轮次靠前。究其原因，一方面，国内科研人员的接受程度、市场教育程度不够，市场需要更多时间了解软件带来的价值；另一方面，软件系统对于实验室智慧化建设的价值缺乏可量化的评估维度也是产品价值及企业估值偏低的一个重要原因。

　　调研得知，资本对于企业的估值普遍参考软件单价和国内实验室数量等维度，往往导致估值偏低。软件为实验室带来的效率提升，尤其是对于药物研发进程的加速等价值难用量化维度显现而往往未能精准计算在估值之中。因此，对于专注于软件服务的企业，除了不断打磨产品外，如何迭代产品的价值体现，让他的市场价值更加贴近其本身价值，也是一个值得关注的问题。

　　成功的智慧化实验室需要技术，更需要对实验本身的理解。物联网、5G、人工智能、大数据等技术的出现给实验室智慧化提供了可能，但从掌握技术到精准应用技术中间还需要对实验室应用场景的深刻理解。只有基于对应用场景的深刻理解和技术的精准应用才能提供具有竞争力的实验室智慧化建设方案。

　　智慧化实验室建设企业多拥有交叉背景的团队。目前，在智慧化实验室赛道的企业创始人或创始团队多数拥有技术和生命科学的交叉背景。技术的学习与实验各个环节的熟悉都没有捷径可走，所以在团队创立的时候就拥有这至关重要的“两条腿”，比凭借“一条腿”入局再逐步学习“另一条腿”具有显著优势。在智慧实验室赛道的投资决策中，创始人或核心团队拥有工科与生命科学交叉背景对于资本来说是一个极其重要的参考维度。在与企业的访谈中，多数创始人也都将纳入该类复合型人才作为企业发展的重要规划之一。

　　智慧实验室赛道亟待更多复合型人才加入。对于检测类实验室来说，在相关法规指导下，对于实验应用场景的理解成本相对低一些，而要理解生命科学研发类实验室的各环节原理与实验实施需求往往需要真正扎根生命科学领域并拥有丰富的实验实施经验。就现在的市场而言，拥有成熟生命科学实验室经验并懂得科技、器械技术的人才依然可遇不可求。未来，相信在政策鼓励、资本支持和市场需求驱动下，会有越来越多拥有复合型背景的人才出现，加速智慧医学实验室建设进程。

　　以自身优势为切入点入局，逐步全面发展。实验室的运行涉及的环节多而复杂，包括实验本身的实施环节、实验室合规管理、实验室日常运行管理等等。每一个环节通过技术助力，只要能让其更高效、便捷、安全或者合规，都是实验室智慧化进程的体现，这也给智慧实验室赛道的企业提供了充足的发挥空间。

　　起初，各企业纷纷以自身优势为切入点入局智慧实验室赛道，之后再逐步拓宽服务范围，以为实验室提供整体化解决方案为共同的终极目标。例如，致力于机械制造的厂商，凭借技术优势，以检测类实验室为突破口，提供自动化设备或流水线建设优化实验实施环节，之后基于对实验理解的加深，辅以软件系统助力，进一步全方面优化实验室运行，将降本增效做到极致。

　　为加速抢占市场，合作之势大于竞争。我国智慧医学实验室还处于十分早期，有大量空白市场等待企业占领。对于实验室来说，选择了一项智慧化建设服务后，无论是硬件设备还是软件应用，替代成本都是相对较高的，故实验室管理者总是期望可以尽可能“一步到位”。

　　此时，在质量相同的情况下，软硬件结合的服务商较单纯提供硬件或软件的服务商来说优势是不言而喻的。此外，智慧实验室领域涉及的细分赛道广而深，目前在各细分赛道的入局企业数量距离“饱和”还有较大的空间，而不在同一细分赛道的企业之间更是“平行”发展。因此，为了更好满足终端“一步到位”的需求，加速抢占市场，早期智慧实验室服务企业之间合作之势大于竞争。

　　深入理解需求，是成功智慧化建设的基础。检测类和研发类实验室流程差异较大，对于智慧化建设的需求也各不相同。此外，即使同为检测类实验室，生化检测、基因检测等不同应用场景之间，流程也有差别，在细节的样本处理环节、设备管理环节等都会有所不同。这也就意味着各实验室在智慧化建设上，需求也是多样化的，甚至差异很大。

　　因此，深入理解需求，并紧紧围绕需求打磨产品，是智慧化建设的基础。无论是企业自建智慧化实验室，还是服务商提供智慧实验室建设方案，往往都是从最为熟悉的一个或一类应用场景入手，各个环节精准理解、逐步建设，从而达成该个或该类实验室、实验业务的智慧化建设闭环。

　　随着入局者增加，实验室智慧化解决方案将分应用场景各自绽放。目前行业处于发展早期，各类应用场景还未出现拥有绝对竞争壁垒的智慧化服务解决方案，大多还处于应用企业的共创阶段，部分更加细分的应用场景甚至还未被触及。随着入局者越来越多，智慧实验室建设将逐渐从野蛮生长向精耕细作进化，专注一个或一类应用场景提供闭环式的智慧化建设的解决方案将逐步展示出竞争优势。未来，智慧医学实验室智慧化建设在不同应用场景，将涌现出各自的标杆解决方案。