Life science research and drug discovery at the turn of the 21st century: the experience of SwissBioGrid.

Abstract

It is often said that the life sciences are transforming into an information science. As laboratory experiments are starting to yield ever increasing amounts of data and the capacity to deal with those data is catching up, an increasing share of scientific activity is seen to be taking place outside the laboratories, sifting through the data and modelling "in silico" the processes observed "in vitro." The transformation of the life sciences and similar developments in other disciplines have inspired a variety of initiatives around the world to create technical infrastructure to support the new scientific practices that are emerging. The e-Science programme in the United Kingdom and the NSF Office for Cyberinfrastructure are examples of these. In Switzerland there have been no such national initiatives. Yet, this has not prevented scientists from exploring the development of similar types of computing infrastructures. In 2004, a group of researchers in Switzerland established a project, SwissBioGrid, to explore whether Grid computing technologies could be successfully deployed within the life sciences. This paper presents their experiences as a case study of how the life sciences are currently operating as an information science and presents the lessons learned about how existing institutional and technical arrangements facilitate or impede this operation.
SwissBioGrid gave rise to two pilot projects: one for proteomics data analysis and the other for high-throughput molecular docking ("virtual screening") to find new drugs for neglected diseases (specifically, for dengue fever). The proteomics project was an example of a data management problem, applying many different analysis algorithms to Terabyte-sized datasets from mass spectrometry, involving comparisons with many different reference databases; the virtual screening project was more a purely computational problem, modelling the interactions of millions of small molecules with a limited number of protein targets on the coat of the dengue virus. Both present interesting lessons about how scientific practices are changing when they tackle the problems of large-scale data analysis and data management by means of creating a novel technical infrastructure.
In the experience of SwissBioGrid, data intensive discovery has a lot to gain from close collaboration with industry and harnessing distributed computing power. Yet the diversity in life science research implies only a limited role for generic infrastructure; and the transience of support means that researchers need to integrate their efforts with others if they want to sustain the benefits of their success, which are otherwise lost.

Full text

Page 1

 
Journal of Biomedical Discovery and Collaboration 
 
Life Science Research and Drug Discovery at the Turn of the 21st 
Century: The Experience of SwissBioGrid 
Matthijs den Besten2*§,, Arthur J Thomas1*, Ralph Schroeder 1*  
 
Addresses: 1Oxford Internet Institute, Oxford University, St Giles, Oxford, UK; 2Oxford ‐
Research Centre, Oxford University, Keble Road, Oxford, UK  
 
*These authors contributed equally to this work;  
§Corresponding author at matthijs.denbesten@oerc.ox.ac.uk  
 
 
Submitted: March 2009 
Accepted: 21 March 2009 
Published: 22 April 2009   
 
Journal of Biomedical Discovery and Collaboration (2009) 4:5. 
 
   
Abstract  
Background 
It is often said that the life sciences are transforming into an information science. As 
laboratory experiments are starting to yield ever increasing amounts of data and the 
capacity to deal with those data is catching up, an increasing share of scientific activity is 
seen to be taking place outside the laboratories, sifting through the data and modelling 
“in‐silico” the processes observed “in‐vitro.” The transformation of the life sciences and 
similar developments in other disciplines have inspired a variety of initiatives around the 
world to create technical infrastructure to support the new scientific practices that are 
emerging. The e‐Science programme in the United Kingdom and the NSF Office for 
Cyberinfrastructure are examples of these. In Switzerland there have been no such 
national initiatives. Yet, this has not prevented scientists from exploring the 
development of similar types of computing infrastructures. In 2004, a group of 
researchers in Switzerland established a project, SwissBioGrid, to explore whether Grid 
computing technologies could be successfully deployed within the life sciences. This 
paper presents their experiences as a case study of how the life sciences are currently 
operating as an information science and presents the lessons learned about how 
existing institutional and technical arrangements facilitate or impede this operation. 
Results 
SwissBioGrid was established to provide computational support to two pilot projects: 
one for proteomics data analysis, and the other for high‐throughput molecular docking 
(“virtual screening”) to find new drugs for neglected diseases (specifically, for dengue 

Page 2

Journal of Biomedical Discovery and Collaboration 2009: 4 

- 2 -
fever). The proteomics project was an example of a large‐scale data management 
problem, applying many different analysis algorithms to Terabyte‐sized datasets from 
mass spectrometry, involving comparisons with many different reference databases; the 
virtual screening project was more a purely computational problem, modelling the 
interactions of millions of small molecules with a limited number of dengue virus 
protein targets. Both present interesting lessons about how scientific practices are 
changing when they tackle the problems of large‐scale data analysis and data 
management by means of creating a novel technical infrastructure. 
Conclusions 
In the experience of SwissBioGrid, data intensive discovery has a lot to gain from close 
collaboration with industry and harnessing distributed computing power. Yet the 
diversity in life science research implies only a limited role for generic infrastructure; 
and the transience of support means that researchers need to integrate their efforts 
with others if they want to sustain the benefits of their success, which are otherwise 
lost. 
 
 
 

Page 3

Journal of Biomedical Discovery and Collaboration 2009: 4 

- 3 -
Background  
The massive amounts of data that science deals with these days have long caught the 
attention of keen observers. For instance, Chris Anderson posits that the availability of 
all these data heralds the end of theory [1] and Trefethen and Hey argue that the “data 
deluge” calls for a new technological infrastructure to support science [2]. 
Complementing, but not necessarily endorsing these views, in this paper we would like 
to explore the implications that data driven discovery might have for the organization of 
the sciences, and in particular the organization of the life sciences. 
 
Whitley has developed a theory that explains the internal structure of different types of 
sciences on the basis of the level of mutual dependence among scientists and the level 
of task uncertainty that they face [3]. Dependence can be functional, in the sense that 
researchers have to use results or procedures from their peers, or strategic, in the sense 
that researchers have to convince their peers of the value of their research. Task 
uncertainty in turn can be technical, in the sense that techniques can be more or less 
well understood and reliable, or strategic, in the sense that problem formulations and 
significance can be more or less stable. Whitley identifies seven types of social 
organization to which combinations of task uncertainty and mutual dependence give 
rise (see Table 1).  
 
Table 1: Schematic Representation of Whitley’s (2000) Typology of Social Organization 
in the Sciences. 
 
Mutual Dependence 
 
Task Uncertainty 
 Polycentric 
Oligarchy 
Conceptually 
Integrated 
Bureaucracy 
Professional 
Adhocracy 
Polycentric 
Profession 
Technologically 
Integrated 
Bureaucracy 
Fragmented 
Adhocracy 
 Partitioned 
Bureaucracy 
 
For instance, with a low level of uncertainty and a high level of dependence the field of 
particle physics resembles what Whitley calls a “conceptually integrated bureaucracy” 
[cf. 4]. At the other end of the spectrum, British sociology, with its focus on diffuse and 
discursive knowledge of commonsense objects, combines a high level of uncertainty 

Page 4

Journal of Biomedical Discovery and Collaboration 2009: 4 

- 4 -
with a low level of dependence in what Whitley calls a “fragmented adhocracy.” 
According to Wooley and Lin “for much of its history, the organization of biological 
research could reasonably be regarded as a group of more or less autonomous 
fiefdoms” [5:p.228; cf. 6: esp.pp.216‐40]. This seems to describe what Whitley labels a 
“polycentric profession.”  
 
Whitley [3:p. 165] points out that the growth of funding for bio‐medical research in the 
past decades has reduced the degree of strategic dependence among researchers to the 
extent that the organization of much of the life sciences has now become more like a 
“professional adhocracy.” Similarly, one might ask what the effect on the social 
organization of the life sciences might be when we consider the move from observation‐
lead theorizing to data‐driven discovery, which is what the life sciences seem to have 
gone through in recent years [cf. 7].  “The result of biology’s metamorphosis into an 
information science just may be the relocation of the lab to the industrial park and the 
dustbin of history,” writes Timothy Lenoir [7, p. 43]. Yet, if the laboratory is no longer 
there, it is not clear what replaces it. Table 2 juxtaposes two of the possibilities.  
 
Table 2: Characteristics of observation‐ and data‐driven discovery. 
  In‐Vitro  In‐Silico Per‐Silico 
Environment  LaboratoryDesktopNetwork 
Knowledge Tacit  Codified Fragmented 
Infrastructure Custom‐built General Purpose Custom‐built 
 
According to one scenario (in‐silico), data‐driven discovery takes place in a world where 
the only resource required is a personal computer; where vast amounts of information 
are available at one’s fingertips; and where easy to use tools make the manipulation of 
this information near effortless and amenable to gaining insights on a wide variety of 
questions. If this were true, the organization of the life sciences would come to 
resemble a “fragmented adhocracy.”  In the other scenario (per‐silico), data‐driven 
discovery takes place in a world where all resources are interconnected; where 
information stems from a myriad of sources; and where considerable efforts go in to the 
assemblage of tools to manipulate information in a particular way. From this 
perspective, the only viable organization for the life sciences would seem to be that of a 
“conceptually integrated bureaucracy” in which large groups try to tackle a small set of 
clearly defined challenges. 
 
The reality is of course less clear‐cut. In their study of the Worm Community System, 
Star and Ruhleder saw “the emergence of a complex constellation of locally‐tailored 
applications and repositories, combined with pockets of local knowledge and expertise” 
[8]. And in combination with elements of formal infrastructure this created a “unique 
and evolving hybrid.” This is what Wooley and Lin may have in mind when they express 
the hope that “the federation and loose coordination enabled by cyberinfrastructure 

Page 5

Journal of Biomedical Discovery and Collaboration 2009: 4 

- 5 -
seem well suited to provide the major advantages of integration while maintaining a 
reasonably stable large‐scale organizational structure” [5:p. 228]. At the same time, 
even in a world of data‐driven discovery, the laboratory does not disappear completely 
either. As Gardner et al. note: “datasets alone are rarely sufficient to extract and 
interpret the information provided by the experiment that generated them” [9]. And so, 
scientists will still need regular contact with the people who carry out real‐life 
experiments in order to interpret their data.  
 
In order to get a better idea of the social organization engendered by data driven 
discovery in the life sciences, we need to assess the extent to which laboratories are still 
required to create and validate scientific knowledge; the extent to which expertise is still 
required to augment this knowledge; and the extent to which data‐discovery 
infrastructures favour particular directions of research over others. In this paper, we 
report a case study of a group of researchers in Switzerland who explored how to make 
most of existing resources and infrastructure in order to carry out data‐intensive 
research. They found that close ties with other professional partners such as industry or 
specialized research organizations have become important in order to gain access to the 
relevant data and to ensure that computational results are validated by experimental 
means. They also found that continued support would be needed if they wanted to 
allow other researchers to take advantage of the tools that they had developed. 
Moreover, they found that strategic decisions about which third‐party tools to integrate 
with mattered a lot for the long‐term sustainability of their efforts. Thus, while it is hard 
to say whether task uncertainty and mutual dependence have become larger or smaller 
on balance for this group of researchers as a result of the move towards data‐intensive 
discovery, it is clear that its character has changed. As our case study of SwissBioGrid 
will illustrate, it may be difficult to fit attempts to create life science infrastructures for 
handling data into the models of either an adhocracy or a bureaucracy. Instead, as we 
shall see, SwissBioGrid had to try to integrate disparate technical elements (software 
and databases) as well as try to embed these within a more lasting socio‐technical 
structure. It may therefore be necessary to revise Whitley’s scheme to take into account 
that it is very difficult to integrate research groups within a larger whole in the 
development of data infrastructures. There are also implications for research policy 
which is pushing for the development of these infrastructures, an attempt which is likely 
to encounter continuing tensions between the life sciences as an adhocracy and a 
bureaucracy. We return to revising Whitley and to this tension in the Discussion and 
Conclusion.  
 
Methods 
The material for this case study emerged through participant‐observation and 
interviews, ranging from informal conversations to in‐depth interviews.  
One of the authors of this paper, Thomas, was the SwissBioGrid project coordinator 
over a 3 year period and therefore in an excellent position as a participant observer. 
Schroeder and den Besten carried out 3 in depth interviews with the investigators 
mentioned below. 
 
Key players in the SwissBioGrid project provided us with insights on both the history and 
background of the project and helped us to try to understand some of the potential