作為轉換科學的臨床研究人員，我喜歡JMP的易用性以及強大的功能，可視化等。但是有些功能會使它對於多組學數據更加有用：
1）支持/幫助/指導/平台，重點關注具有大量數據的小樣本量（例如，您的典型醫學基礎研究中，患者數量有限，但每個患者變量數量很大）。 缺少的一種常用算法是OPLS-DA，它僅是JMP具有的PLS-DA的一種應用。 您確實有套索，也很流行。 實施其他神經網絡/機器學習算法會很棒（XGBoost！）。 但是重點是將不同的選項集成到特定於這些任務的加載項或平台中，以及相關的指導/幫助。
2）支持縱向採樣：多次對患者進行多次採樣。 在上述內容上加上這些將使JMP脫穎而出，並引領這些類型的分析領域。
3）變量選擇至關重要，使用不同的方式來查看變量的性能很重要，例如，正向加法或向後消除，自舉（保持每個變量的預測變量數）與子採樣等。分析將是驚人的，或者俱有學習曲線模擬，可以顯示期望模型在給定的使用參數下如何執行。
4）相關的可視化和模型比較與選擇。
5）另一個非常重要的功能是網絡分析。 我的意思不是神經/ ML版本，而是那些使用不同變量之間的相關性來創建其關聯圖的版本。 就像在相反方向進行SEM。 如果在個體級別上進行操作（即獲取每個患者的散點圖矩陣，並查看所有患者的相同對以查看哪些變量始終相關），這將特別有用。 這不同於將所有患者的全部要點匯總成一個大樣本。
這些功能中的某些功能可能存在於JMP的各個部分中，我想其中一些功能可以使用JSL進行自動/重新創建。 但是對於那些因為不是R而被JMP吸引的人，那麼像其他JMP平台一樣將這些功能統一地組織起來將有很大的不同。 我也可以說，對於所有其他領先的商業統計數據包來說，這都是相同的問題，因此，在JMP中可靠的實現將是一個與眾不同的地方。
