（日语之后为英语）
标题：利用 JMP 的机器学习功能开发高精度毒性预测方法
明治药科大学副教授上泽义弘
近年来，随着人们环境意识的增强，全球范围内全面研究日常生活中所有化学物质的有害影响的势头日益增强。然而，由于可用的化学品数量庞大，因此在时间、预算和动物试验伦理方面，实验研究变得不切实际。在此背景下，“计算毒理学”这一学科领域正受到关注，该学科旨在根据迄今为止积累的已知信息，通过统计和计算来预测化学物质的毒性。 2014年，美国国立卫生研究院举办了“2014 Tox21数据挑战赛”，这是一项使用10,000种化合物的毒性相关数据的大规模计算毒理学竞赛。本次大赛共有来自18个国家的100多支队伍报名参赛，演讲嘉宾利用JMP Pro内置的机器学习功能Bootstrap Forest，对从化学结构中获得的多样化信息模式进行分析，最终在预测女性激素类物质类别中脱颖而出。在本次演讲中，我将介绍如何利用我在比赛中用到的JMP灵活的功能来选择最优的引导森林模型。
相关网站： http://www.my-pharm.ac.jp/news/info_detail.html?id =599
使用 JMP ®机器学习功能开发高精度毒性预测方法
使用 JMP ®机器学习功能开发高精度毒性预测方法
近年来，随着人们环保意识的增强，全球范围内对周围所有有害化学物质的全面调查正在兴起。然而，化学物质种类繁多，从时间、预算或伦理角度（动物试验）来看，实验调查并不实用。计算毒理学这一学术领域因其能够基于积累的现有信息，通过统计学和计算机科学预测化学物质的毒性而备受关注。2014 年，美国国立卫生研究院举办了 Tox21 数据挑战赛 2014，这是一项雄心勃勃的计算毒理学竞赛，使用 10,000 种化合物的毒性相关数据。在本次比赛中，来自 18 个国家的 100 多支队伍参赛，参赛者使用 JMP Pro 中的机器学习功能之一 bootstrap forest 分析从化学结构中获得的各种信息模式。最终，部门在与女性激素类物质预测相关的比赛中获得了胜利。在本次演讲中，我将讨论如何根据比赛期间使用的 JMP 中的灵活功能来选择最佳引导森林模型。
相关网站：http://http: //www.my-pharm.ac.jp/news/info_detail.html? id=599
