(El inglés sigue al japonés)
Título: Desarrollo de un método de predicción de toxicidad de alta precisión utilizando las funciones de aprendizaje automático de JMP
Yoshihiro Uezawa, profesor asociado de la Universidad Farmacéutica Meiji
Con la creciente conciencia sobre el medio ambiente en los últimos años, existe un impulso creciente en todo el mundo para investigar exhaustivamente los efectos nocivos de todas las sustancias químicas en nuestra vida diaria. Sin embargo, la gran cantidad de productos químicos disponibles hace que las investigaciones experimentales resulten poco prácticas en términos de tiempo, presupuesto y la ética de las pruebas con animales. En este contexto, está atrayendo la atención la “toxicología computacional”, un campo académico que pretende predecir la toxicidad de las sustancias químicas de forma estadística y computacional basándose en la información conocida acumulada hasta la fecha. En 2014, el NIH de Estados Unidos organizó el "Tox21 Data Challenge 2014", una competición de toxicología computacional a gran escala que utilizó datos relacionados con la toxicidad de 10.000 compuestos. En esta competencia, en la que se registraron más de 100 equipos de 18 países, el ponente utilizó Bootstrap Forest, una de las funciones de aprendizaje automático integradas en JMP Pro, para analizar patrones de información diversa obtenida de estructuras químicas, y logró ganar su categoría por predecir sustancias similares a las hormonas femeninas. En esta presentación, me gustaría presentar la selección del modelo de bosque bootstrap óptimo basado en las funciones flexibles de JMP, que utilicé en la competencia.
Sitio web relacionado: http://www.my-pharm.ac.jp/news/info_detail.html?id=599
El desarrollo de métodos de predicción de toxicidad de alta precisión utilizando la función de aprendizaje automático JMP®
El desarrollo de métodos de predicción de toxicidad de alta precisión utilizando la función de aprendizaje automático JMP®
Junto con la creciente conciencia ambiental en los últimos años, la investigación exhaustiva de todas las sustancias químicas peligrosas que nos rodean está cobrando impulso a nivel mundial. Sin embargo, existe una gran cantidad de tipos diferentes de sustancias químicas, lo que significa que las investigaciones experimentales no son prácticas desde una perspectiva temporal, presupuestaria o ética (pruebas en animales). El campo académico de la toxicología computacional está atrayendo atención por su capacidad para predecir, estadísticamente y mediante la informática, la toxicidad de las sustancias químicas basándose en la información existente acumulada. En 2014, los Institutos Nacionales de Salud de Estados Unidos organizaron el Tox21 Data Challenge 2014, una ambiciosa competencia de toxicología computacional que utilizó datos relacionados con la toxicidad de 10,000 compuestos. En esta competencia, que contó con la participación de más de 100 equipos de 18 países, los competidores utilizaron bootstrap forest, una de las funciones de aprendizaje automático de JMP Pro, para analizar diversos patrones de información adquiridos de las estructuras químicas. Esto resultó en una victoria departamental relacionada con la predicción de sustancias similares a las hormonas femeninas. En esta presentación, discutiré la selección del modelo de bosque bootstrap óptimo basado en las funciones flexibles en JMP que se utilizaron durante la competencia.
Sitio relacionado: http://www.my-pharm.ac.jp/news/info_detail.html?id=599
