(Englisch folgt Japanisch)
Titel: Entwicklung einer hochpräzisen Methode zur Vorhersage der Toxizität unter Verwendung der Machine-Learning-Funktionen von JMP
Yoshihiro Uezawa, Außerordentlicher Professor, Meiji Pharmaceutical University
Mit dem zunehmenden Umweltbewusstsein der letzten Jahre gibt es weltweit eine wachsende Dynamik, die schädlichen Auswirkungen aller chemischen Substanzen in unserem täglichen Leben umfassend zu untersuchen. Allerdings sind experimentelle Untersuchungen aufgrund der schieren Anzahl der verfügbaren Chemikalien aus Zeit- und Kostengründen sowie aus ethischen Gründen bei Tierversuchen unpraktisch. Vor diesem Hintergrund gewinnt die „Computertoxikologie“ zunehmend an Bedeutung. Dabei handelt es sich um ein akademisches Fachgebiet, dessen Ziel es ist, die Toxizität chemischer Substanzen auf Grundlage der bisher gesammelten bekannten Informationen statistisch und rechnerisch vorherzusagen. Im Jahr 2014 veranstaltete das US-amerikanische NIH die „Tox21 Data Challenge 2014“, einen groß angelegten Wettbewerb zur computergestützten Toxikologie, bei dem toxizitätsbezogene Daten zu 10.000 Verbindungen verwendet wurden. Bei diesem Wettbewerb, für den sich über 100 Teams aus 18 Ländern angemeldet hatten, nutzte der Redner Bootstrap Forest, eine der in JMP Pro integrierten Machine-Learning-Funktionen, um Muster verschiedener aus chemischen Strukturen gewonnener Informationen zu analysieren und konnte in seiner Kategorie für die Vorhersage weiblicher hormonähnlicher Substanzen gewinnen. In diesem Vortrag möchte ich die Auswahl des optimalen Bootstrap-Forest-Modells auf Basis der flexiblen Funktionen von JMP vorstellen, die ich im Wettbewerb verwendet habe.
Verwandte Website: http://www.my-pharm.ac.jp/news/info_detail.html?id=599
Die Entwicklung hochpräziser Methoden zur Toxizitätsvorhersage mithilfe der JMP ® Machine Learning-Funktion
Die Entwicklung hochpräziser Methoden zur Toxizitätsvorhersage mithilfe der JMP ® Machine Learning-Funktion
Mit dem gestiegenen Umweltbewusstsein der letzten Jahre gewinnt die umfassende Untersuchung aller uns umgebenden gefährlichen chemischen Substanzen weltweit an Bedeutung. Die Vielzahl der verschiedenen chemischen Substanzen macht experimentelle Untersuchungen jedoch aus Zeit-, Budget- und ethischen Gründen (z. B. Tierversuche) unpraktisch. Die computergestützte Toxikologie (CTO) erlangte aufgrund ihrer Fähigkeit, die Toxizität chemischer Substanzen auf Basis vorhandener Daten statistisch und mithilfe von Computerwissenschaften vorherzusagen, zunehmende Aufmerksamkeit. 2014 veranstalteten die National Institutes of Health (NIH) in den USA die Tox21 Data Challenge 2014, einen anspruchsvollen Wettbewerb zur computergestützten Toxikologie, bei dem Daten zur Toxizität von 10.000 Verbindungen ausgewertet wurden. Über 100 Teams aus 18 Ländern nutzten an diesem Wettbewerb Bootstrap Forest, eine der Machine-Learning-Funktionen von JMP Pro, um verschiedene aus chemischen Strukturen gewonnene Informationsmuster zu analysieren. Dies führte zu einem Abteilungssieg im Bereich der Vorhersage weiblicher hormonähnlicher Substanzen. In dieser Präsentation werde ich die Auswahl des optimalen Bootstrap-Forest-Modells basierend auf den flexiblen Funktionen in JMP besprechen, die während des Wettbewerbs verwendet wurden.
Verwandte Site: http:// http://www.my-pharm.ac.jp/news/info_detail.html?id=599
