NTS-Hive ist eine ganzheitliche Datenmanagement-Plattform für das massenspektrometrische Non-Target Screening (NTS) auf Basis des Open Semantic Lab (OSL) (weitere Informationen zu OSL). Die Plattform folgt einem Container-Konzept, das ein elektronisches Laborbuch, ein Repositorium sowie retrospektiv nutzbare Datenbanken zentral bündelt und über standardisierte Schnittstellen mit LIMS-Systemen sowie gängiger NTS-Software verknüpft werden kann.

Dadurch lassen sich etablierte Werkzeuge zur Datenauswertung (freie, kommerzielle und Inhouse-Software) ebenso wie spezialisierte Interpretationstools – etwa zur Identifizierung, statistischen Priorisierung, Toxizitätsvorhersage oder Semi-Quantifizierung – flexibel und nachvollziehbar kombinieren.

NTS-Hive speichert Rohdaten, prozessierte Daten, Reports und Metadaten strukturiert und dauerhaft, sodass Messdaten auch Jahre später erneut ausgewertet und neu interpretiert werden können. Die Plattform ist FAIR-konform sowie maschinenlesbar aufgebaut und macht NTS-Daten damit aktiv für Machine-Learning-Anwendungen und Künstliche Intelligenz nutzbar. Eingesetzt wird NTS-Hive bereits in vielfältigen Anwendungsfeldern wie Umwelt- und Trinkwasseranalytik, industriellem Prozessmonitoring, der Überwachung neu auftretender Schadstoffe (Emerging Pollutants) und sehr persistenter/sehr mobiler Stoffe (vPvM), im Humanmetabolom von Kohortenstudien, in der Biodiversitätsforschung über Bienenpollen sowie bei der Herkunfts- und Echtheitsprüfung von Lebensmitteln.

Vorteile auf einen Blick

• Zentrale, ganzheitliche Datenhaltung – Rohdaten, prozessierte Daten, Metadaten und Reports werden an einem Ort strukturiert zusammengeführt, statt über verschiedene Insellösungen verstreut zu sein.
• Echte Retrospektivität – einmal erfasste NTS-Daten lassen sich jederzeit mit neuen Methoden, Fragestellungen oder Tools erneut auswerten, ganz ohne erneute Probenahme oder Analyse.
• Flexible Werkzeugintegration – freie, kommerzielle und selbst entwickelte Software für Datenauswertung und -interpretation lassen sich über standardisierte Schnittstellen nahtlos kombinieren.
• Reproduzierbarkeit und Nachvollziehbarkeit – klar definierte, unveränderte Nutzungsumgebungen sorgen dafür, dass Ergebnisse über definierte Zeiträume hinweg vergleichbar und rückverfolgbar bleiben.
• AI- und FAIR-ready – die maschinenlesbare, FAIR-konforme Datenstruktur bereitet NTS-Daten optimal für den Einsatz von Machine-Learning- und KI-Anwendungen vor.