作为转化科学的临床研究人员，我喜欢 JMP 的易用性和强大的功能、可视化等。但有一些功能可以使其对多组学数据更有用：
1) 支持/帮助/指导/平台侧重于小样本量和大量数据（即典型的医学基础研究，患者数量有限但每个患者的变量数量很大）。 缺少的常用算法是 OPLS-DA，它只是 JMP 拥有的 PLS-DA 的一个应用。 你确实有套索，它也很受欢迎。 实施其他神经网络/机器学习算法会很棒（XGBoost！）。 但重点是将不同的选项集成到特定于这些任务的插件或平台中，以及相关的指导/帮助。
2) 支持纵向采样：多次对患者进行多次采样。 将其添加到上述内容将使 JMP 脱颖而出，并在这些类型的分析领域处于领先地位。
3）变量选择是至关重要的，使用不同的方式对于查看它们的表现很重要，即向前添加或向后消除，自举（以保持每个变量的#of 预测变量）与子抽样等。具有这种类型的分析器的分析将是惊人的，或者有一个学习曲线模拟来显示模型在给定参数下的预期表现。
4) 关联的可视化和模型比较和选择。
5) 另一个非常重要的功能是网络分析。 我指的不是神经/ML 版本，而是那些使用不同变量之间的相关性来创建关联图的版本。 这就像在相反的方向上做 SEM。 如果在个体水平上完成，这将特别有用，即获取每个患者的散点图矩阵，并查看所有患者的相同对以查看哪些变量始终相关。 这不同于将所有患者的所有观点放在一个大样本中。
也许其中一些功能存在于 JMP 的不同部分，我猜有些可以使用 JSL 自动/重新创建。 但对于我们这些因为 JMP 不是 R 语言而被吸引的人来说，像其他 JMP 平台一样将这些功能组织得井井有条将会产生很大的不同。 我还可以说，所有其他领先的商业统计数据包都存在同样的问题，因此 JMP 中的稳健实施将是一个差异化因素。
