作為轉化科學的臨床研究人員，我喜歡 JMP 的易用性和強大的功能、可視化等。但有一些功能可以使其對多組學數據更有用：
1) 支持/幫助/指導/平台側重於小樣本量和大量數據（即典型的醫學基礎研究，患者數量有限但每個患者的變量數量很大）。 缺少的常用算法是 OPLS-DA，它只是 JMP 擁有的 PLS-DA 的一個應用。 你確實有套索，它也很受歡迎。 實施其他神經網絡/機器學習算法會很棒（XGBoost！）。 但重點是將不同的選項集成到特定於這些任務的插件或平台中，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。 將其添加到上述內容將使 JMP 脫穎而出，並在這些類型的分析領域處於領先地位。
3）變量選擇是至關重要的，使用不同的方式對於查看它們的表現很重要，即向前添加或向後消除，自舉（以保持每個變量的#of 預測變量）與子抽樣等。具有這種類型的分析器的分析將是驚人的，或者有一個學習曲線模擬來顯示模型在給定參數下的預期表現。
4) 關聯的可視化和模型比較和選擇。
5) 另一個非常重要的功能是網絡分析。 我指的不是神經/ML 版本，而是那些使用不同變量之間的相關性來創建關聯圖的版本。 這就像在相反的方向上做 SEM。 如果在個體水平上完成，這將特別有用，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。 這不同於將所有患者的所有觀點放在一個大樣本中。
也許其中一些功能存在於 JMP 的不同部分，我猜有些可以使用 JSL 自動/重新創建。 但對於我們這些因為 JMP 不是 R 而被吸引的人來說，像其他 JMP 平台一樣將這些功能組織得井井有條將會產生很大的不同。 我還可以說，所有其他領先的商業統計數據包都存在同樣的問題，因此 JMP 中的穩健實施將是一個差異化因素。
