(L'anglais suit le japonais)
Titre : Développement d'une méthode de prédiction de toxicité très précise utilisant les fonctions d'apprentissage automatique de JMP
Yoshihiro Uezawa, professeur associé, Université pharmaceutique Meiji
Avec la prise de conscience croissante de l’environnement ces dernières années, on assiste à un élan croissant à l’échelle mondiale pour enquêter de manière exhaustive sur les effets nocifs de toutes les substances chimiques dans notre vie quotidienne. Cependant, le grand nombre de produits chimiques disponibles rend les recherches expérimentales peu pratiques en termes de temps, de budget et d’éthique des tests sur les animaux. Dans ce contexte, la « toxicologie computationnelle », un domaine académique qui vise à prédire la toxicité des substances chimiques de manière statistique et informatique sur la base des informations connues accumulées à ce jour, attire l’attention. En 2014, le NIH américain a organisé le « Tox21 Data Challenge 2014 », un concours de toxicologie computationnelle à grande échelle utilisant des données liées à la toxicité sur 10 000 composés. Dans ce concours, auquel ont participé plus de 100 équipes de 18 pays, l'orateur a utilisé Bootstrap Forest, l'une des fonctions d'apprentissage automatique intégrées à JMP Pro, pour analyser les modèles de diverses informations obtenues à partir de structures chimiques, et a pu remporter sa catégorie pour la prédiction de substances de type hormonal féminin. Dans cette présentation, je voudrais présenter la sélection du modèle de forêt bootstrap optimal basé sur les fonctions flexibles de JMP, que j'ai utilisé dans le concours.
Site Web associé : http://www.my-pharm.ac.jp/news/info_detail.html?id=599
Développement de méthodes de prédiction de toxicité extrêmement précises à l'aide de la fonction d'apprentissage automatique JMP ®
Développement de méthodes de prédiction de toxicité extrêmement précises à l'aide de la fonction d'apprentissage automatique JMP ®
Parallèlement à la prise de conscience environnementale croissante ces dernières années, l'étude exhaustive de toutes les substances chimiques dangereuses qui nous entourent prend de l'ampleur partout dans le monde. Cependant, la multitude de substances chimiques différentes rend les études expérimentales peu pratiques, que ce soit en termes de temps, de budget ou d'éthique (expérimentation animale). La toxicologie computationnelle, discipline universitaire, suscite l'intérêt pour sa capacité à prédire, statistiquement et informatiquement, la toxicité des substances chimiques à partir des informations existantes. En 2014, les National Institutes of Health des États-Unis ont organisé le Tox21 Data Challenge 2014, un ambitieux concours de toxicologie computationnelle utilisant des données de toxicité concernant 10 000 composés. Lors de ce concours, qui a réuni plus de 100 équipes de 18 pays, les concurrents ont utilisé la méthode Bootstrap Forest, l'une des fonctions d'apprentissage automatique de JMP Pro, pour analyser divers modèles d'informations issus de structures chimiques. Cette victoire a été remportée par le département pour la prédiction de substances apparentées aux hormones féminines. Dans cette présentation, je discuterai de la sélection du modèle de forêt bootstrap optimal basé sur les fonctions flexibles de JMP qui ont été utilisées pendant la compétition.
Site connexe : http:// http://www.my-pharm.ac.jp/news/info_detail.html?id=599
