（英语紧随日语）
日语标题：利用JMP的机器学习功能开发高精度的毒性预测方法
上泽良弘，明治药科大学副教授
随着近来环保意识的增强，全球范围内对综合研究我们周围所有化学物质的危害性的动力越来越强。然而，由于化学物质的数量巨大，从时间，预算和动物实验伦理的角度来看，实验研究是不切实际的。在这种背景下，“计算毒理学”是一个学术领域，其目的是基于迄今为止积累的已知信息来对化学物质的毒性进行统计和计算预测。2014年，美国国立卫生研究院举办了“ Tox21数据挑战赛2014”，这是一次大型毒理学竞赛，使用了10,000种化合物的毒性相关数据。在这场比赛中，表演者将使用来自18个国家/地区的100多个团队，他们将使用Bootstrap森林（JMP Pro中安装的一种机器学习功能）来分析从化学结构获得的各种信息模式。能够赢得预测女性荷尔蒙样物质的类别。在本演示中，我想介绍基于表演者用于比赛的JMP的灵活功能，选择最佳引导森林模型的方法。
相关网站： http://www.my-pharm.ac.jp/news/info_detail.html?id=599
使用JMP开发高精度的毒性预测方法 ® 机器学习功能
使用JMP开发高精度的毒性预测方法 ® 机器学习功能
近年来，随着环保意识的增强，对我们周围所有危险化学物质的详尽研究也在全球范围内蓬勃发展。但是，存在大量不同类型的化学物质，这意味着从时间角度，预算角度或道德角度（动物测试）来看，实验研究是不实际的。计算毒理学的学术领域因其能够根据已积累的现有信息在统计学上以及与计算机科学一起预测化学物质的毒性而受到关注。2014年，美国国立卫生研究院举办了2014年Tox21数据挑战赛，这是一项雄心勃勃的计算毒理学竞赛，使用了涉及10,000种化合物的毒性相关数据。在来自18个国家/地区的100多个参赛团队参加的比赛中，参赛者使用了Bootstrap Forest（JMP Pro中的机器学习功能之一）来分析从化学结构获得的各种信息模式。这导致了与预测女性荷尔蒙样物质有关的部门胜利。在本演示中，我将基于在比赛中使用的JMP中的灵活功能，讨论最佳引导森林模型的选择。
相关网站：http：// http://www.my-pharm.ac.jp/news/info_detail.html?id=599
