Luma 是 Dotmatics 的科研数据平台，定位是连接实验、仪器、分析与决策的数据中枢。Dotmatics 旗下有一系列研发软件（GraphPad Prism、SnapGene、Geneious、Protein Metrics 等），Luma 的角色是把这些工具产生的数据串联起来。
数据中枢要解决的问题
大中型药企的典型状况是：工具很多，数据不通。
- 化学部门用一套化合物注册系统；
- 生物部门用另一套 ELN；
- 分析仪器各有各的软件与数据格式；
- 计算团队的模型结果存在第三个地方；
- 项目会议前要有人手工把这些拼成一张 PPT。
结果是决策所需的完整视图永远要靠人工拼装，既慢又容易出错，而且这个过程中的知识无法沉淀。
核心能力
| 能力 | 说明 |
|---|---|
| 实体与数据模型 | 统一定义化合物、样本、实验、结果的关系 |
| 仪器集成 | 从分析仪器自动采集数据 |
| 工作流编排 | 实验请求 → 执行 → 数据回填 → 审核 |
| 跨域查询 | 把化学、生物、分析数据联合查询 |
| 可视化与报告 | SAR 表格、剂量响应曲线、项目仪表板 |
| 与专业工具集成 | 连接旗下及第三方软件 |
实施中的关键问题
这类平台的技术能力通常不是瓶颈，实施才是：
- 数据模型的设计：怎么定义「一次实验」？同一化合物的不同批次算不算同一个实体？剂量响应的原始点数据要不要存？这些决定影响深远且难以回头修改，应该在实施初期就与各部门充分讨论。
- 历史数据迁移：往往是整个项目工作量最大的部分。历史数据的质量参差，迁移时要决定哪些清洗、哪些原样保留、哪些放弃。
- 组织阻力：各部门有自己习惯的工具和流程，统一平台意味着有人要改变工作方式。没有管理层的持续支持，实施容易半途而废。
- 不要追求一次到位：先打通一两个最痛的数据链路（通常是「化合物 → 活性数据」），做出价值，再逐步扩展。全面铺开的项目失败率很高。
- 留出灵活性：科研需求变化快，过度僵化的数据模型会让人绕过系统。
自建 vs 采购
- 采购的优势：现成的数据模型（凝结了行业经验）、合规支持、仪器集成的适配工作已完成、有厂商负责维护。
- 自建的优势：完全贴合自身流程、无许可费用、数据完全自控、可深度定制。
- 现实的判断：数据中枢是长期基础设施，最大的成本是持续维护而非初始搭建。没有专职团队的组织，自建的系统会在两三年内腐化。中小团队通常应该采购或用轻量方案（见 300《CDD Vault》）；有平台工程团队的大型组织，自建的长期经济性更好。
- 混合方案：核心的化合物注册与活性数据用商业系统，计算与分析层自建，通过 API 打通。这在实践中很常见。
对 AI 落地的意义
一个运转良好的数据平台，对 AI 团队意味着：建模时可以直接从 API 拉到干净、带完整元数据的结构化数据，而不是花三个月清洗 Excel。这个差别往往决定了 AI 项目能不能真正跑起来。数据基础设施的投入，回报体现在所有后续的分析与建模工作上。
提示
商业平台功能、定价与产品线归属变动较快，本文为方向性介绍，采购前请核对官方最新信息。实施成败的关键通常在数据模型设计与组织配合，而非软件功能本身。